ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN METODE KOINTEGRASI PADA TIPE MOBIL CITY CAR, SEDAN DAN MPV DI AUTO 2000 IQBAL FIKRIANSYAH H

1

ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN METODE KOINTEGRASI PADA TIPE MOBIL CITY CAR, SEDAN DAN MPV DI AUTO 2000

IQBAL FIKRIANSYAH H24087104

PROGRAM SARJANA ALIH JENIS MANAJEMEN DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2011

4

RINGKASAN IQBAL FIKRIANSYAH. H24087104. Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Tipe Mobil City Car, MPV dan Sedan di Auto 2000. Di bawah bimbingan MUHAMMAD SYAMSUN. __________________________________________________________________ Krisis finansial global sejak tahun 2008 yang masih terasa dampaknya hingga kini, telah mempengaruhi kinerja sektor otomotif di Indonesia terutama pada tahun 2009. Menurut laporan GAIKINDO tingkat produksi dan penjualan mobil 2009 mengalami penurunan dibanding tahun sebelumnya. Tingkat produksi merosot menjadi hanya 464.815 unit pada 2009 dibandingkan tahun sebelumnya 600.628 unit atau mengalami penurunan sebesar 22,6 persen. Sedangkan tingkat penjualan melemah 19,9 persen menjadi hanya 483.548 unit pada 2009. Penurunan penjualan ini disebabkan oleh melemahnya nilai Rupiah pada waktu itu, yang menyebabkan kenaikan harga mobil sehingga konsumen menunda untuk membeli mobil. Berdasarkan data statistik yang diperoleh dari GAIKINDO, pada tahun 2005 penjualan Toyota mencapai sebesar 169.178 unit, sedangkan pada tahun 2010 penjualan mobil Toyota sebesar 265.152 unit, dalam kurun waktu lima tahun terjadi peningkatan penjualan sebesar 95.974 unit. Meskipun Toyota merupakan perusahaan mobil terbesar di Indonesia tetapi toyota belum memiliki sistem peramalan yang dapat menentukan jumlah produk yang harus terjual agar dapat mencapai target penjualan yang diinginkan. Karena hal tersebut maka penulis melakukan penelitian untuk meramalkan penjualan mobil di Toyota Jalan Raya Tajur Bogor untuk tahun 2011. Tujuan yang ingin dicapai dalam penelitian ini adalah menganalisis hubungan antara sedan, mpv dan City car dan mengetahui prediksi peramalan penjualan mobil di Auto 2000 pada tahun 2011. Jenis data yang digunakan dalam skripsi ini adalah data kuantitatif yaitu berupa laporan penjualan mobil serta data kualitatif yaitu data yang berupa penjelasan dan keterangan-keterangan. Model yang digunakan adalah model analisis Vector Autoregression (VAR). Model ini memiliki analisis lanjutan yaitu impulse response function (IRF) dan forecasting error variance decomposition (FEVD). Sebelum melakukan analisis model VAR/VECM terdapat beberapa langkah yang harus dilakukan terlebih dahulu yaitu uji stasioneritas, penentuan lag optimal dan uji kontegrasi. Berdasarkan hasil uji stasioner, maka dapat disimpulkan bahwa terdapat hubungan diantara Sedan, MPV dan City car dalam jangka pendek dan jangka panjang. Hasil hubungan tersebut dapat dilihat dari hasil uji yang menunjukan bahwa data tersebut stationer dan diperoleh kesimpulan bahwa model yang tepat untuk peramalan adalah menggunakan model VAR. Berdasarkan hasil peramalan yang telah dilakukan dalam kurun waku 6 bulan maka dioeroleh hasil bahwa untuk produk City car diramalkan akan terus mengalami peningkatan selama 6 bulan kedepan, sedangkan hasil sedan dari hasil peramalannya diperoleh hasil bahwa sedan diramalkan akan mengalami penurunan ada bulan ke 44 dan bulan ke 46. Untuk produk MPV telah diperoleh hasil dari peramalannya yaitu akan mengalami penurunan pada bulan 4.

2

ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN METODE KOINTEGRASI PADA TIPE MOBIL CITY CAR, SEDAN DAN MPV DI AUTO 2000

SKRIPSI sebagai salah satu syarat untuk memperoleh gelar SARJANA EKONOMI pada Program Sarjana Alih Jenis Manajemen Departemen Manajemen Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor

IQBAL FIKRIANSYAH H24087104

PROGRAM SARJANA ALIH JENIS MANAJEMEN DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2011

3

Judul Skripsi

: Analisis

Peramalan

Penjualan

Menggunakan

Metode

Kointegrasi Pada Produk Tipe Mobil City Car, Sedan dan MPV di Auto 2000 Nama

:

Iqbal Fikriansyah

NIM

:

H24087104

Menyetujui Dosen Pembimbing,

(Dr. Ir.Muhamad Syamsun, M.Sc.) NIP. 195007271974121001

Mengetahui Ketua Departemen,

(Dr. Ir. Jono M. Munandar, M.Sc) NIP. 196101231986011002

Tanggal Lulus :

5

RIWAYAT HIDUP

Iqbal Fikriansyah dilahirkan pada tanggal 5 Oktober 1986 di Jakarta. Putra dari pasangan Bapak Zakaria Yusuf dan Umamah. Penulis merupakan anak kedua dari dua bersaudara. Pendidikan dasar penulis diselesaikan selama enam tahun di Sekolah Dasar Negeri 09 Palmerah, Jakarta. Kemudian melanjutkan sekolah lanjutan tingkat pertama di SLTP Negeri 88 Jakarta selama tiga tahun dan lulus pada tahun 2000. Sekolah lanjutan tingkat atas di SMU Negeri 1 Tasikmalaya dan lulus pada tahun 2004. Setelah lulus, penulis diterima di Program Diploma III Agroteknologi Hasil Perikanan, Departemen Teknologi Hasil Perairan, Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. Pendidikan di tempuh selama 3 tahun dan lulus pada tahun 2007. Pada tahun 2008 penulis melanjutkan kuliah di Program Sarjana Alih Jenis Manajemen, Departemen Manajemen, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor.

6

KATA PENGANTAR

Penulis mengucapkan syukur Alhamdulillah atas segala nikmat, berkah, rizki dan ridho yang telah diberikan oleh Allah SWT kepada penulis untuk menyelesaikan skripsi yang berjudul “Analisis Peramalan Penjualan Dengan Menggunakan Metode Kointegrasi Pada Beberapa Tipe Mobil di Auto 2000 Cabang Tajur, Bogor”. Skripsi ini menjelaskan tentang cara mengolah data dan meramalkan penjualan pada tahun berikutnya atau tahun yang akan datang baik jangka pendek atau jangka panjang dengan melihat pengaruh-pengaruh variabel lain terhadap penjualan produk. Penulis berharap skripsi ini dapat bermanfaat dan wawasan baru tentang pengolahan data dan peramalan penjualan.

Bogor, September 2011

Penulis

7

UCAPAN TERIMA KASIH

Penulis mengucapkan Terima Kasih kepada : 1.

Bapak Dr.Ir. Muhammad Syamsun, M.Sc selaku dosen pembimbing yang telah memberikan masukan, dan mendukung penulis selama penyusunan skripsi.

2.

Ibu Dra. Siti Rahmawati, M.Pd dan Bapak Nurhadi Wijaya, SPT, MM sebagai Dosen Penguji.

3.

Bapak Yauri M. Kholis, selaku SPV di Auto 2000 cabang Tajur, Bogor yang telah membantu dalam pengumpulan data.

4.

Ayahanda, Ibunda, Kakak dan keluarga di Jakarta yang telah mendukung penulis dalam penyelesaian skripsi.

5.

Seluruh dosen dan staf Departemen Manajemen yang telah memberikan ilmu dan bimbingannya selama saya kuliah.

6.

Nicky, Indra, Kiki, Riza, Muha, Doni, Dimas, Rina (SC) dan seluruh temanteman di Departemen Ekstensi Manajemen yang tidak bisa saya sebutkan satu persatu yang telah memberikan bantuan dan dukungan dalam penyelesaian skripsi. Akhir kata semoga skripsi ini dapat bermanfaat bagi para pembaca maupun

pihak-pihak yang membutuhkan.

8

DAFTAR ISI

Halaman RINGKASAN RIWAYAT HIDUP .................................................................................

iii

KATA PENGANTAR .............................................................................

iv

UCAPAN TERIMA KASIH ...................................................................

v

DAFTAR TABEL ...................................................................................

viii

DAFTAR GAMBAR ...............................................................................

ix

DAFTAR LAMPIRAN ...........................................................................

x

I. PENDAHULUAN ...............................................................................

1

1.1. Latar Belakang ............................................................................... 1.2. Perumusan Masalah ........................................................................ 1.3. Tujuan Penelitian ............................................................................ 1.4. Manfaat Penelitian ..........................................................................

1 2 2 3

II. TINJAUAN PUSTAKA ....................................................................

4

2.1. Transportasi ................................................................................... 2.2. Kointegrasi ..................................................................................... 2.3. Vector Autoregression (VAR) Model .............................................. 2.4. Konsep Penjualan ........................................................................... 2.5. Peramalan Penjualan ...................................................................... 2.6. Teori Peramalan ............................................................................. 2.7. Tahapan Peramalan ........................................................................ 2.8. Pendekatan dalam Peramalan ......................................................... 2.8.1 Metode Peramalan Kualitatif .................................................. 2.8.2 Metode Peramalan Kuantitatif ................................................. 2.9. Penelitian Terdahulu .......................................................................

4 6 7 8 9 9 10 12 12 13 14

III. METODE PENELITIAN ................................................................

16

3.1. Kerangka Pemikiran ..................................................................... 3.2. Lokasi dan Waktu Penelitian .......................................................... 3.3. Jenis dan Sumber Data ................................................................... 3.4. Pengolahan dan Analisis Data ........................................................ 3.4.1 Vector Autoregression (VAR) ................................................ 3.4.2 Uji Stasioneritas Data ............................................................ 3.4.3 Uji Kausalitas Granger (Granger Casuality) ........................... 3.4.4 Uji Lag Optimal ..................................................................... 3.4.5 Uji Stabilitas VAR ................................................................. 3.4.6 Impulse Response Function (IRF) ........................................... 3.4.7 Forecast Error Variance Decomposition (FEVD) ..................

16 17 17 18 18 19 21 22 23 23 24

9

IV. HASIL DAN PEMBAHASAN .........................................................

25

4.1. Gambaran Umum Perusahaan ..................................................... 4.1.1 Sejarah Perusahaan ............................................................ 4.1.2 Visi Perusahaan ................................................................. 4.2. Analisis Kointegrasi .................................................................... 4.2.1 Uji Stasioner ...................................................................... 4.2.2 Uji Kausalitas Granger ....................................................... 4.2.3 Uji Lag Optimum ............................................................... 4.2.4 Pemodelan VAR ................................................................ 4.2.5 Uji Stabilitas Model ........................................................... 4.2.6 Analisis Impulse Response Function (IRF) ......................... 4.2.7 Forecast Error Variance Decomposition (FEVD) ................ 4.3. Hasil Peramalan ........................................................................... 4.4. Implikasi Manajerial .....................................................................

25 25 25 26 27 28 29 29 30 31 36 38 40

KESIMPULAN DAN SARAN ................................................................

42

1. Kesimpulan .................................................................................... 2. Saran .............................................................................................

42 43

DAFTAR PUSTAKA ..............................................................................

44

LAMPIRAN .............................................................................................

46

10

DAFTAR TABEL

No 1. 2. 3. 4. 5. 6. 7. 8. 9.

Halaman Total penjualan mobil 2005-2010 .......................................................... Hasil Uji Stasioner ................................................................................ Hasil Uji Kausalitas Granger ................................................................ Hasil Uji Lag Optimum .......................................................................... Estimasi VAR ........................................................................................ Hasil Uji Stabilitas ................................................................................. Hasil Peramalan City Car ....................................................................... Hasil Peramalan Sedan ......................................................................... Hasil Peramalan MPV ............................................................................

1 27 28 29 30 30 38 39 40

11

DAFTAR GAMBAR

No

Halaman

1. Kerangka pemikiran ............................................................................... 2. Respon sedan terhadap sedan ................................................................. 3. Respon City Car terhadap sedan ............................................................ 4. Respon MPV terhadap sedan .................................................................. 5. Respon City Car terhadap City Car ........................................................ 6. Respon sedan terhadap City Car .............................................................. 7. Respon MPV terhadap City Car .............................................................. 8. Respon MPV terhadap MPV ................................................................... 9. Respon sedan terhadap MPV ................................................................... 10. Respon City Car terhadap MPV ............................................................ 11. Variance Decomposition sedan ............................................................. 12. Variance Decomposition City Car ......................................................... 13. Varinace Decomposition MPV ..............................................................

17 31 32 32 33 34 34 35 35 36 37 37 38

12

DAFTAR LAMPIRAN

No

Halaman

1. Penjualan MPV, Sedan dan City Car 2008 - 2011 .................................. 2. Uji Stasioneritas Penjualan MPV ........................................................... 3. Uji Stasioneritas Penjualan Sedan ......................................................... 4. Uji Stasioneritas Penjualan City Car ...................................................... 5. Uji Kausalitas Granger .......................................................................... 6. Uji Lag Optimum .................................................................................. 7. Estimasi VAR ....................................................................................... 8. Uji Stabilitas Model .............................................................................. 9. Impuls Response of Sedan ..................................................................... 10. Impuls Response MPV .......................................................................... 11. Impuls Response City Car .................................................................... 12. FEVD of City Car, Sedan dan MPV ..................................................... 13. Regresi Model Minitab.........................................................................

47 48 49 50 51 51 52 53 54 55 56 57 60

1

I.

1.1.

PENDAHULUAN

Latar Belakang Krisis finansial global sejak tahun 2008 yang masih terasa dampaknya

hingga kini, telah mempengaruhi kinerja sektor otomotif di Indonesia terutama pada tahun 2009, Menurut laporan Gabungan Industri Kendaraan Bermotor Indonesia (Gaikindo) tingkat produksi dan penjualan mobil 2009 mengalami penurunan dibanding tahun sebelumnya. Tingkat produksi merosot menjadi hanya 464.815 unit pada 2009 dibandingkan tahun sebelumnya 600.628 unit atau mengalami penurunan sebesar 22,6 persen. Sedangkan tingkat penjualan melemah 19,9 persen menjadi hanya 483.548 unit pada 2009. Meski jumlah ini mampu melampaui target yang ditetapkan Gaikindo sebesar 450.000 unit, namun penjualan tidak secerah tahun 2008 yang tercatat 603.774 unit sebagai penjualan tertinggi dalam lima tahun terakhir. Penurunan penjualan ini disebabkan oleh melemahnya nilai Rupiah pada waktu itu, yang menyebabkan kenaikan harga mobil sehingga konsumen menunda untuk membeli mobil (www.gaikindo.or.id, 2011) Tabel 1. Total penjualan mobil tahun 2005-2010 No.

Tahun

Jumlah Produksi

1.

2005

500.710

2.

2006

296.008

3.

2007

411.638

4.

2008

600.628

5.

2009

464.816

6.

2010

702.508

(Sumber: GAIKINDO, 26 Juni 2011) Memasuki tahun 2010 pasar mobil mulai bergairah karena ekonomi dunia mulai pulih, sehingga diharapkan penjualan mobil tahun 2010 akan meningkat kembali, namun tahun 2010 juga memberikan tantangan baru bagi industri mobil nasional yaitu dengan mulai berlakunya perjanjian Asean China Free Trade Area

2

(ACFTA) per 1 Januari 2010. Diperkirakan industri mobil Cina akan makin gencar membidik pasar Indonesia baik dengan melakukan impor dalam bentuk built up, maupun dengan membangun pabrik perakitan yang mengimpor dalam bentuk CKD (completely knoked down) dengan harga lebih murah. Kendaraan pribadi yang paling banyak diminati oleh masyarakat umumnya adalah sepeda motor, tetapi saat ini pun masyarakat telah banyak yang memillih mobil sebagai sarana transportasi pribadi. Mobil merupakan kependekan dari otomobil yang berasal dari bahasa Yunani yang artinya adalah kendaraan beroda empat atau lebih yang membawa mesin sendiri dan pengoperasiannya disebut dengan menyetir (Wikipedia, 2011). Semakin banyaknya masyarakat yang memiliki mobil sebagai kendaraan pribadi menunjukkan bahwa penjualan mobil pun dapat dikatakan semakin meningkat. Salah satu perusahaan mobil yang memiliki penjualan sangat baik adalah PT Toyota Astra Motor. Berdasarkan data statistik yang diperoleh dari Gabungan Industri Kendaran Bermotor Indonesia (GAIKINDO), pada tahun 2005 penjualan Toyota mencapai sebesar 169.178 unit, sedangkan pada tahun 2010 penjualan mobil Toyota sebesar 265.152 unit, dalam kurun waktu lima tahun terjadi peningkatan penjualan sebesar 95.974 unit (www.gaikindo.or.id, 2011). 1.2. Perumusan Masalah Masalah yang akan dibahasa dalam penelitian ini adalah : 1.

Bagaimana hubungan produk Sedan, MPV (multi purpose vehicle), dan City car dalam proses penjualan?

2.

Berapakah prediksi atau ramalan pencapaian penjualan mobil di Auto 2000 pada tahun 2011?

1.3. Tujuan Penelitian Berdasarkan perumusan masalah tersebut, maka tujuan dari penelitian ini adalah : 1.

Menganalisis hubungan produk Sedan, MPV (multi purpose vehicle) dan City car dalam proses penjualan.

3

2.

Mengetahui prediksi atau ramalan penjualan mobil di Auto 2000 pada tahun 2011.

1.4. Manfaat Penelitian 1.

Bagi peneliti, penelitian ini berguna sebagai bahan aplikasi hasil perkuliahan dan sangat bermanfaat dalam penyelesaian tugas akhir peneliti untuk memperoleh gelar Sarjana Ekonomi.

2.

Hasil penelitian ini diharapkan dapat digunakan sebagai bahan referensi dan menjadi tambahan informasi.

4

II.

TINJAUAN PUSTAKA

2.1. Transportasi Transportasi adalah pemindahan manusia atau barang dari satu tempat ke tempat lainnya dengan menggunakan sebuah kendaraan yang digerakkan oleh manusia atau mesin. Transportasi digunakan untuk memudahkan manusia dalam melakukan aktivitas sehari-hari. Di negara maju, mereka biasanya menggunakan kereta bawah tanah (subway) dan taksi. Penduduk disana jarang yang mempunyai kendaraan pribadi karena mereka sebagian besar menggunakan angkutan umum sebagai transportasi mereka. Transportasi sendiri dibagi 3 yaitu, transportasi darat, laut, dan udara. Pengangkutan atau transportasi adalah pemindahan barang dan manusia dari tempat asal ke tempat tujuan. Proses perangkutan merupakan gerakan dari tempat asal, dari kegiatan itu dimulai, ke tempat tujuan, ke mana kegiatan itu berakhir. Unsur-unsur pengangkutan itu sendiri adalah adanya muatan yang diangkut, adanya kendaraan sebagai alat angkutan, ada jalan yang dapat dilalui, ada terminal asal dan tujuan, serta ada sumber daya manusia, organisasi atau manajemen yang menggerakkan kegiatan transportasi tersebut (Wikipedia, 2011) Ada lima unsur pokok transportasi, yaitu: 1.

Manusia Manusia berperan sebagai subjek atau pelaku dari transportasi yang akana memanfaatkan moda transportasi untuk melakukan aktifitasnya, manusia juga berperan sebagai pengatur sistem transportasi agar masih bisa digunakan sesuai dengan fungsi dan manfaatnya.Barang, yang diperlukan manusia.

2.

Barang Barang menjadi objek pengangkutan, pengiriman barang ke beberapa tempat dengan alasan pemasaran sangatlah memerlukan transportasi, tidak hanya untuk pemasaran namun juga mobilitas lain yang dimaksudkan untuk meningkatkan kesejahteraan manusia.

5

3.

Kendaraan Kendaraan sebagai alat atau moda transportasi berperan penting untuk mengantarkan dan memindahkan objek transportasi dari satu tepat ke tempat yang lain.

4.

Jalan Jalan merupakan suatu unsur yang penting dalam transportasi, jalan akan menghubungkan suatu tempat dengan tempat lainnya guna memperlancar proses perangkutan dan mobilitas.

5.

Organisasi Organisasi Suatu sistem pasti membutuhkan suatu organisasi yang mengatur dan bekerja untuk menjamin bahwa suatu sistem tersebut berjalan dengan baik tanpa ada gangguan atau permasalahan di dalamnya, di Indonesia, pihak yang memiliki kewenangan sebagai organisasi pengatur transportasi baik darat, laut maupun udara adalah Departemen Perhubungan RI. Pada dasarnya, ke lima unsur di atas saling terkait untuk terlaksananya

transportasi, yaitu terjaminnya penumpang atau barang yang diangkut akan sampai ke tempat tujuan dalam keadaan baik seperti pada saat awal diangkut. Dalam hal ini perlu diketahui terlebih dulu ciri penumpang dan barang, kondisi sarana dan konstruksi prasarana, serta pelaksanaan transportasi Transportasi perlu untuk mengatasi kesenjangan jarak dan komunikasi antara tempat asal dan tempat tujuan. Untuk itu dikembangkan sistem transportasi dan komunikasi, dalam wujud sarana (kendaraan) dan prasarana (jalan). Kemudian timbul jasa angkutan untuk memenuhi kebutuhan perangkutan (transportasi) dari satu tempat ke tempat lain. Di sini terlihat, bahwa transportasi dan tata guna lahan merupakan dua hal yang tidak dapat dipisahkan. Kegiatan transportasi yang diwujudkan dalam bentuk lalu lintas kendaraan, pada dasarnya merupakan kegiatan yang menghubungkan dua lokasi dari tata guna lahan yang mungkin sama atau berbeda. Memindahkan orang atau barang dari satu tempat ke tempat lain, berarti memindahkannya dari satu tata guna lahan ke tata guna lahan yang lain, yang berarti pula mengubah nilai ekonomi orang atau barang tersebut. salah satu tujuan penting dari perencanaan tata guna lahan atau perencanaan

6

sistem transportasi, adalah menuju keseimbangan yang efisien antara potensi tata guna lahan dengan kemampuan transportasi (Soef, 2009). 2.2. Kointegrasi Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan (Engle dan Granger, 1987). Tetapi, proses ini justru akan menghilangkan hubungan jangka panjang yang mungkin terdapat dalam variabel-variabel time series yang diteliti dan hanya memberikan hubungan jangka pendek time series. Disinilah penting nya proses kointegrasi dimana konsep ini membantu memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan time series non-stasioner. Dengan kata lain konsep ini mengatakan bahwa apabila terdapat dua atau lebih time series yang tidak stasioner (mempunyai unit roots) dan terintegrasi pada orde yang sama serta residunya bersifat stasioner sehingga tidak ada korelasi seri di dalamnya (white nose), maka time series tersebut dinamakan terkointegrasi. Dalam konsep kointegrasi ini terdapat Beberapa hal penting yang perlu diperhatikan, yaitu (Enders, 2004): 1.

Kointegrasi merupakan kombinasi linear dari dua atau lebih dari time series yang tidak stasioner. Vektor kointegrasi dari kombinasi linear tersebut tidak unik karena dengan suatu konstanta yang tidak nol (λ), maka λβ juga benar sebagai vektor kointegrasi. Oleh karena itu, biasanya salah satu besaran digunakan untuk normalisasi vektor kointegrasi dengan menetapkan koefisiennya menjadi satu.

2.

Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua variabel yang terintegrasi pada orde yang sama terkointegrasi.

3.

Bila vektor

mempunyai n komponen, maka akan ada n-1 vektor

kointegrasi linear yang tidak tergantung satu dengan yang lainnya. Jumlah vektor kointegrasi ini dinamakan peringkat kointegrasi (cointegration rank), biasanya dilambagkan dengan r. Sifat penting yang terdapat dalam variabel-variabel yang terkointegrasi adalah perjalanan waktu variabel-variabel tersebut dipengaruhi oleh perubahan atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabel-

7

variabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi akan menjadi stasioner dalam jangka panjang (Enders, 2004). 2.3. Vector Autoregression (VAR) Model Model VAR dikembangkan oleh Christoper Sims pada tahun (1980). Model ini pada dasarnya hampir sama dengan model untuk menguji Granger’s Causality. Model VAR sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi. Dalam Pasaribu (2003) model ini juga menjadi dasar munculnya metode kointegrasi Johansen (1988, 1989) yang sangat baik dalam menjelaskan perilaku variabel dalam perekonomian. Ketika kita tidak yakin bahwa suatu variabel sebenarnya merupakan variabel eksogen, perluasan dasar analisis fungsi perubahan adalah untuk memperlakukan setiap variabel secara simetris (Enders, 2000). Model VAR dalam bentuk standar yaitu : t=

A0 + A1

t-1

+

t

…………………………………… (1)

Dimana : A0 = B-1Ґ0

A1 = B-1Ґ1 t

= B-1ɛt

Vector Autoregression (VAR) merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan sistem variabel-variabel runtut waktu (Time series) maupun untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. Keunggulan dari analisis VAR antara lain (Khaerunnisa, 2009) : 1.

Model ini sederhana, tidak perlu khawatir membedakan mana variabel endogen dan variabel eksogen.

2.

Estimasinya sederhana, dimana metode Ordinary Least Square (OLS) bisa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah.

3.

Hasil Ramalan (Forecast) yang diperoleh dengan VAR dalam banyak kasus lebih bagus dibandingkan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun.

8

Namun demikian, model VAR juga mempunyai kekurangan, diantaranya adalah sebagai berikut : 1.

Model VAR lebih bersifat a-theory karena tidak dapat memanfaatkan informasi atau teori terdahulu.

2.

Mengingat tujuan utama VAR adalah untuk peramalan maka model VAR kurang cocok untuk analisis kebijakan.

3.

Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan persamalahan.

4.

Semua variabel VAR harus stasioner.

5.

Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah. Vector Autoregression (VAR) adalah sistem persamaan yang menunjukkan

setiap peubah dalam persamaan merupakan fungsi linier dari konstanta nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada di dalam sistem (Agung, 2009). Jadi, peubah penjelas dalam VAR meliputi nilai lag seluruh peubah tak bebas dalam sistem. 2.4. Konsep Penjualan Menurut Kotler (2005), konsep penjualan merupakan orientasi bisnis umum lainnya. konsep penjualan berkeyakinan bahwa para konsumen dan perusahan bisnis, jika dibiarkan, tidak akan secara teratur membeli cukup banyak produk yang ditawarkan oleh organisasi tertentu. Oleh karena itu, organisasi tersebut harus melakukan usaha penjualan dan promosi yang agresif. Konsep itu mengasumsikan bahwa para konsumen umumnya menunjukkan keengganan atau penolakan untuk membeli sehingga harus dibujuk supaya membeli. Konsep itu juga mengasumsikan bahwa perusahaan memiliki banyak sekali alat penjualan dan promosi yang efektif yang dapat merangsang lebih banyak pembelian. Kebanyakan perusahaan mempraktekkan konsep penjualan ketika mereka mempunyai kapasitas yang berlebih. Tujuan mereka adalah menjual apa yang mereka hasilkan dan bukannya menghasilkan apa yang diinginkan pasar. Dalam perekonomian industri modern, kapasitas produktif telah dibangun dengan anggapan bahwa kebanyakan pasar merupakan pasar pembeli (pembelinya dominan) sehingga penjual harus berjuang untuk mendapatkan pelanggan. Para

9

calon dihujani dengan siaran iklan TV, iklan surat kabar, surat langsung dan telepon penjualan. Pada tiap kesempatan dimana saja, seseorang berusaha untuk menjual sesuatu. Akibatnya, publik sering mengidentifikasi pemasaran sebagai penjualan dan periklanan yang keras (Kotler, 2005). 2.5. Peramalan Penjualan Menurut Erlina (2002), peramalan penjualan berarti suatu proses memperkirakan secara sistematik tentang penjualan yang paling mungkin terjadi pada masa yang akan datang berdasarkan data penjualan masa lalu dan sekarang yang dimiliki. Hasil penjualan sebelumnya digunakan sebagai titik awal dalam penyusunan ramalan penjualan. Peramalan menjadi salah satu hal yang penting dalam pengambilan keputusan manajemen. Hal ini dikarenakan keefektifan sebuah keputusan tergantung pada deret kejadian-kejadian yang diakibatkan keputusan tersebut. Kemampuan menduga secara dini aspek-aspek yang tidak dapat dikontrol dari kejadian-kejadian masa lalu, akan membantu keputusan tersebut. Salah satu peramalan yang penting dan sering dilakukan perusahaan adalah peramalan penjualan (Pierce dan Robinson, 1997). 2.6. Teori Peramalan Menurut Heizer dan Render (2006) peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan mendapatkannya ke masa yang akan dating dengan suatu bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat subjektif. Atau bisa juga dengan menggunakan kombinasi model matematis yang sesuai dengan pertimbangan yang baik dari seorang manajer. Menurut Hanke et, al. (2003), tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan di bandingkan dengan tebakan non-ilmiah. Tebakan ilmiah yaitu peramalan yang berdasarkan metode-metode manipulasi data secara logis yang dihasilkan dari kejadian-kejadian masa lalu. Penggunaan teknik peramalan diawali dengan pengeksplorasian pola data pada masa lalu guna mengembangkan model yang sesuai dengan pola data itu dengan menggunakan

10

asumsi bahwa pola data pada masa lalu itu akan berulang lagi pada waktu yang akan datang. Hasil pengolahan data masa lalu akan menjadi tolak ukur perusahaan untuk membuat perencanaan langkah langkah yang akan diambil oleh perusahaan. Tujuan peramalan adalah mengurangi rentang ketidakpastian dimana pendapat pribadi (judgement) manajemen yang harus diambil. Tujuan ini mengarah kepada dua aturan utama yang harus diperhatikan pada proses peramalan: 1.

Peramalan harus secara teknik benar dan menghasilkan peramalan cukup akurat dalam memenuhi kebutuhan perusahaan.

2.

Prosedur peramalan dan hasilnya harus secara efektif disajikan kepada manajemen sehingga peramalan dapat dipakai dalam proses pengambilan keputusan demi keuntungan perusahaan dan hasilnya juga harus dijustifikasi berbasis biaya manfaat. Pertimbangan yang terakhir seringkali disalah-artikan dan dapat membuat

frustasi forecaster (peramal) professional. Namun jika ramalan akan digunakan untuk keuntungan perusahaan, maka mereka yang mempunyai wewenang harus memanfaatkannya. Makridarkis, et al (1999), menyatakan bahwa terdapat beberapa faktor penting yang harus dipertimbangkan dalam peramalan mencangkup : 1.

Jarak ke masa depan yang harus diramal.

2.

Tenggang waktu yang tersedia untuk mengambil keputusan.

3.

Tingkat akurasi yang diperlukan.

4.

Kualitas data yang tersedia untuk analisis.

5.

Sifat hubungan yang tercangkup dalam masalah peramalan.

6.

Biaya dan keuntungan yang berkaitan dengan masalah peramalan.

2.7. Tahapan Peramalan Menurut Hanke et, al. (2003), semua prosedur formal peramalan melibatkan penarikan pengalaman masa lalu kedalam ketidak-pastian masa depan. Jadi, semua prosedur menggunakan asumsi bahwa kondisi dimana hasil dari data masa lalu tidak berbeda dengan kondisi masa depan, kecuali pada variabel-variabel yang secara eksplisit dikenali oleh model peramalan.

11

Pengenalan terhadap operasi teknik peramalan pada data menghasilkan kejadian historis mengarah ke identifikasi lima tahapan proses peramalan sebagai berikut: 1.

Pengumpulan data

2.

Pemadatan atau pengurangan data

3.

Penyusunan model dan evaluasi

4.

Ekstrapolasi model (peramalan aktual)

5.

Evaluasi peramalan Tahap 1, pengumpulan data, menyarankan pentingnya perolehan data yang

sesuai dan meyakinkan peramalannya. Tahap ini sering kali merupakan bagian paling menantang dari keseluruhan proses peramalan dan paling sulit untuk dimonitor karena serangkaian tahapan dapat dilakukan pada data dalam menentukan kesesuaiannya dengan masalah. Koleksi dan masalah pengendalian mutu biasanya dipenuhi kalau diperlukan untuk mendapatkan data terkait didalam suatu organisasi. Tahap 2, pemadatan dan pengurangan data, seringkali diperlukan karena mungkin saja terjadi kelebihan data dalam proses peramalan atau sebaliknya terlalu sedikit. Beberapa data mungkin tidak relevan dengan masalah dan dapat mengurangi keakuratan peramalan. Tahap 3, penyusunan dan evaluasi model, meliputi pencocokan data terkumpul kedalam model yang sesuai dalam hal meminimasi kesalahan peramalan. Model yang lebih sederhana, lebih baik keadaannya dalam hal diterimanya proses peramalan oleh manajer yang harus membuat keputusan perusahaan. Seringkali harus diseimbangkan antara pendekatan peramalan canggih yang hasilnya sedikit lebih akurat dengan pendekatan sederhana yang lebih mudah dipahami serta mendapatkan dukungan dan tentunya secara aktif digunakan oleh pengambil keputusan perusahaan. Jelasnya, pendapat pribadi dilibatkan dalam proses pemilihan. Tahap 4, ekstrapolasi model (peramalan aktual), terdiri dari model peramalan aktual yang dihasilkan begitu data yang sesuai telah terkumpul dan kemungkinan dikurangi dan model peramalan yang sesuai juga sudah dipilih. Seringkali peramalan untuk periode yang baru lewat dibandingkan dengan nilai

12

historis aktual telah diketahui digunakan untuk memeriksa keakuratan proses peramalan. Tahap 5, evaluasi peramalan, melibatkan membandingkan nilai peramalan dengan nilai historis aktual. Dalam proses ini beberapa nilai data terkini kemudian diambilkan dari himpunan data yang sedang dianalisa. Setelah model peramalan selesai, peramalan dilakukan untuk beberapa periode tersebut dan dibandingkan dengan nilai-nilai historis yang diketahui. Beberapa prosedur peramalan menjumlahkan nilai absolut dari kesalahan dan hasil penjumlahannya dilaporkan, atau dibagi dengan jumlah perlakuan peramalan sehingga menghasilkan rata-rata kesalahan peramalan. 2.8. Pendekatan Dalam Peramalan Menurut Heizer dan Render (2006), terdapat pendekatan umum peramalan, yaitu analisis kuantitatif dan analisis kualitatif. Peramalan kuantitatif (quantitative forecast) menggunakan model matematis yang beragam dengan data masa lalu dan variable sebab akibat untuk meramalkan permintaan. Peramalan subjektif atau kualitatif (qualitative forecast) menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal. 2.8.1 Metode Peramalan Kualitatif Terdapat empat teknik peramalan yang berbeda : 1.

Keputusan dari pendapat juri eksekutif (jury of executive opinion). Dalam metode ini, pendapat sekumpulan kesil manajer atau pakar tinggi, sering dikombinasikan dengan model statistic, dikumpulkan untuk mendapatkan prediksi permintaan kelompok.

2.

Metode Delphi (Delphi method). Ada tiga jenis peserta dalam metode Delphi : pengambil keputusan, karyawan, dan responden. Pengambilan keputusan biasanya terdiri dari 5 hingga 10 orang pakar yang akan melakukan peramalan. Karyawan membantu pengambil keputusan dengan menyiapkan, menyebarkan, mengumpulkan, serta meringkas sejumlah kuesioner dan hasil survey. Responden adalah sekelompok orang yang biasanya ditempatkan di tempat yang berbeda, di mana penilaian dilakukan.

13

Kelompok ini memberikan input pada pengambil keputusan sebelum peramalan dibuat. 3.

Gabungan dari tenaga penjualan (sales force composite). Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan yang bias ia lakukan dalam wilayahnya. Peramalan ini kemudian dikaji untuk memastikan apakah peramalan cukup realistis. Kemudian peramalan dikombinasikan pada tingkat wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan.

4.

Survei pasar konsumen (consumer market survey). Metode ini meminta input dari konsumen mengenai rencana pembelian mereka dimasa depan. Hal ini membantu tidak hanya dalam menyiapkan peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru.

2.8.2 Metode Peramalan Kuantitatif Peramalan kuantitatif menggunakan model matematik yang beragam dengan data masa lalu dan peubah sebab akibat untuk meramalkan permintaan. Metode peramalan kuantitatif memerlukan data historis atau data empiris, mutu data dan pemilihan metode yang cocok akan menentukan kualitas hasil peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi (Makridarkis, et al. dalam Wisastri, 2006) berikut : a. Terdapat informasi masa lalu. b. Informasi tersebut bias dikuantitatifkan dalam bentuk data numerik. c. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa mendatang. Dua asumsi pertama merupakan syarat keharusan bagi penerapan metode peramalan kuantitatif, sedangkan asumsi ketiga merupakan syarat kecukupan, artinya walaupun asumsi ketiga dilanggar model yang dirumuskan masih dapat digunakan. Hanya hal ini akan memberikan kesalahan peramalan yang relatif besar, bila perubahan data ataupun bentuk hubungan fungsional tersebut terjadi secara sistematis. Berdasarkan data masa lalu, metode peramalan kuantitatif dibagi menjadi dua bagian, yaitu metode deret waktu (time series), yaitu model yang membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu, dengan

14

menggunakan data masa lalu dapat melakukan peramalan. Dalam metode deret waktu peramal hanya berusaha mencari pola-pola dari data suatu data, tanpa berusaha mencari apa penyebab dan mengapa polanya demikian. Bisa jadi pola data masa lalu tidak sama lagi dengan masa depan, karena faktor-faktor yang mempengaruhinya sudah berubah. Metode peramalan kedua adalah metode peramalan asosiatif atau metode peramalan kausal (metode peramalan eksplanatori), yaitu metode peramalan yang menggabungkan peubah atau faktor yang mungkin mempengaruhi permintaan atas suatu produk (peubah bebas) terhadap permintaan suatu produk (peubah tidak bebas). Peramalan kuantitatif juga memiliki keterbatasan, jika terjadi perubahan pola data atau hubungan sebab akibat, maka hasil ramalan menjadi kurang akurat (Heizer dan Render, 2006). 2.9. Penelitian Terdahulu Asri (2008) melakukan penelitian mengenai Analisis Peramalan Penjualan matrix blackberry PT Indosat, TBK dalam rangka perencanaan strategi pemasaran. Pada penelitian ini data yang digunakan merupakan data penjualan per bulan, dari bulan Desember 2005 sampai bulan Desember 2007 secara nationwide dan data penjualan perbualn Matrix Blackberry per wilayah penjualan (Jabotabek dan Banten, Sumatera bagian utara, Sumatera bagian selatan, Jawa Barat, JawaTengah dan DIY, Jawa Timur, dan Bali Nusa Tenggara, Kalimantan, Sulawesi, Maluku dan Papua) dari bulan Januari sampai Bulan Desember 2007 diolah dengan metode peramalan time series dan regresi. Berdasarkan hasil pengolahan data tersebut diperolah hasil bahwa pola data penjualan matrix blackberry merupakan trend yang terus meningkat, pola trend pada data penjualan blackberry menunjukkan peningkatan yang berkelanjutan. Sedangkan dari data penjualan dan hasil peramalan diketahui bahwa penjualan matrix blackberry paling tinggi adalah wilayah Jabotabek dan Banten, penjualan paling rendah berada di wilayah Kalimantan, hal ini memang dilatarbekakangi oleh letak geografis dan ekonomis setiap wilayah serta karakteristik masyarakatnya. Ayu (2009) melakukan penelitian tentang peramalan penjualan cokelat candy and cookies sebagai acuan dalam perencanaan kuantitas produk pada UKM Waroeng Cokelat di kota Bogor. Penelitian ini menggunakan alat analisis time series sedangkan metode yang terpilih untuk meramalkan produk adalah metode

15

yang memiliki nilai MAPE (mean absolute percentange error) terkecil. Berdasarkan hasil pengolahan data yang dilakukan dengan memplotkan masingmasing data penjualan produk dari tahun 2006-2008, diperoleh hasil bahwa produk candy tipe 1 memiliki pola data trend dengan hasil peramalan sebanyak 1045 kemasan. Candy tipe 9 dan 23 memiliki pola data yang tidak stationer. Hasil peramalan yang didapatkan adalah sebesar 830 kemasan untuk candy 9 dan 289 kemasan untuk candy 23 sedangkan untuk produk cookies yaitu kurma coklat, etnik coklat dan sagu keju memiliki pola stationer. Hasil peramalan menunjukan masing-masing 1630 toples. 438 toples dan 573 toples, hasil peramalan penjualan menunjukan bahwa hanya produk kurma coklat yang akan mengalami penurunan penjualan di masa yang akan dating. Penelitian ini menganalisis peramalan penjualan mobil di Auto 2000 cabang tajur dengan menggunakan time series

dan metode Eviews.

Penelitian ini

menggunakan metode eviews dengan model VAR untuk melihat peramalan penjualan mobil di Auto 2000 pada masa yang akan datang.

16

III.

3.1.

METODE PENELITIAN

Kerangka Pemikiran Kerangka pemikiran dalam penelitian dapat dijadikan landasan dalam setiap

tahap penelitian. Salah satu tujuan dari penelitian ini adalah mengetahui metode peramalan penjualan terbaik untuk untuk setiap mobil yang diproduksi oleh Auto 2000

dalam rangka perencanaan strategi pemasaran. Penelitian ini dimulai

dengan mengumpulkan data-data yang relevan, yaitu data penjualan historis mobil produksi Auto 2000 untuk kurun waktu 3 tahun yaitu tahun 2008-2010. Data ini akan diolah dan dianalisis selanjutnya akan dibuat plot pola data penjualannya dan data tersebut akan diolah dengan menggunakan metode analisis time series dan metode analisis regresi. Setelah data penjualan dianalisis maka akan dilakukan uji kointegrasi pada data tersebut, sehingga akan diketahui apakah data tersebut stationer atau tidak. Setelah dilakukan uji kointegrasi maka akan mudah untuk menentukan metode peramalan yang akan digunakan, kerana data penjualan ini bersifat stationer maka model yang dapat digunakan untuk analisis peramalan adalah Vector Autoregression atau VAR. setelah dilakukan analisis VAR maka akan diperoleh hasil VAR, hasil tersebut akan menunjukan peramalan penjualan untuk produk sedan, MPV dan City car selama kurun waktu 6 bulan ke depan.

17

AUTO 2000 Cabang Tajur

Visi dan misi

Data penjualan 2008-2010

Uji Kointegrasi

Vector Autoregression

Hasil Analisis VAR

Implikasi Manajerial

Gambar 1. Kerangka pemikiran 3.2. Lokasi dan Waktu Penelitian Penelitian ini dilakukan di sebuah main dealer yang menjual mobil yaitu Auto 2000. Auto 2000 bertempat di Jalan Siliwangi No 76-Bogor. Pelaksanaan penelitian ini dilakukan selama tiga bulan dimulai dari bulan Januari sampai bulan Maret 2011. 3.3. Jenis dan Sumber Data Data dan informasi yang digunakan pada penelitian ini adalah data primer dan data sekunder. Data primer diperoleh dengan melakukan proses wawancara dengan supervisor dari Auto 2000. Sedangkan data sekunder yang digunakan adalah laporan penjualan mobil Auto 2000 selama kurun waktu 3 tahun, mulai dari 2008-2010.

18

Jenis data yang digunakan dalam skripsi ini adalah data kuantitatif yaitu berupa laporan penjualan mobil serta data kualitatif yaitu data yang berupa penjelasan dan keterangan-keterangan. 3.4. Pengolahan dan Analisis Data Data yang dikumpulkan kemudian diolah dan dianalisis, sehingga mampu memberikan gambaran dan penjelasan terhadap permasalahan dalam penelitian ini. Pengolahan dan penganalisaan data diharapkan dapat menguraikan langkahlangkah strategis yang dapat dilakukan perusahaan dalam pemasaran dan penjualan mobil. Metode pengolahan dan analisis data yang digunakan dalam penelitian akan diuraikan secara kualitatif dan kuantitatif. Analisis kualitatif digunakan untuk mengetahui keunggulan kompetitif yang dimiliki. Pengolahan kualitatif juga akan menggambarkan keadaan umum perusahaan. Analisis kuantitatif digunakan untuk meramalkan penjualan mobil Auto 2000 selama satu tahun kedepan dengan menggunakan analisis runtut waktu (time series) Data penjualan kemudian ditabulasikan dengan bantuan program komputer Microsoft Excel 2007 dan Eviews 6. 3.4.1 Vector Autoregression (VAR) Model ekonometri yang sering digunakan dalam analisis makro ekonomi dinamik dan stokastik adalah Vector Autoregession (VAR). VAR merupakan suatu sistem persamaan yang memperlihatkan setiap variabel sebagai fungsi dari konstanta dan nilai lag (lampau) dari variabel itu sendiri serta nilai lag dari variabel yang lain yang ada dalam sistem. Variabel penjelas dalam VAR meliputi nilai lag seluruh variabel tak bebas dalam sistem VAR yang membutuhkan identifikasi retriksi untuk mencapai persamaan melalui interpretasi persamaan. VAR dengan ordo p dan n buah variabel tak bebas pada periode t dapat dimodelkan sebagai berikut : ………….. (2)

dimana : :

Vektor variabel tak bebas ( :

Vektor intersep berukuran n x 1

)

19

: :

Matriks parameter berukuran n x 1 Vektor residual (

1.t ,

2.t ,

3.t)

nx1

Asumsi yang harus di penuhi dalam analisi VAR adalah semua variabel tidak bersifat stasioner, semua sisaan bersifat white noise, yaitu memiliki rataan nol, ragam konstan dan diantara variabel tak bebas tidak ada korelasi. Uji stasioneritas data dapat dilakukan melalui pengujian terhadap ada tidaknya unit root dalam variabel dengan uji Augmented Dickey Fuller (ADF). Adanya unit root akan menghasilkan persamaan regresi yang spurious. Pendeteksian keberadaan kointegrasi ini dapat metode

Johansen

atau

Engel-Granger.

Jika

dilakukan dengan

variabel-variabel

tidak

terkointegrasi, maka dapat diterapkan VAR standar yang hasilnya akan identik dengan OLS, setelah memastikan variabel tersebut sudah stasioner pada derajat (ordo)

yang

sama.

Jika

pengujian

membuktikan terdapat

vektor kointegrasi, maka dapat diterapkan ECM untuk single equation atau VECM untuk system equation. 3.4.2 Uji Stasioneritas Data Salah satu konsep penting yang harus diingat dalam analisa dengan menggunakan data time series adalah kondisi data yang stasioner atau tidak stasioner. Jika estimasi dilakukan dengan menggunakan data yang tidak stasioner maka akan memberikan hasil regresi yang palsu atau disebut sebagai spurious regression (Gujarati, 2003). Suporious regression memiliki pengertian bahwa hasil regresi dari satu variabel time series pada satu atau beberapa variabel time series lainnya cenderung untuk menghasilkan kesimpulan hasil estimasi yang bias yang ditunjukkan dengan karakteristik seperti memperoleh hasil R2 yang sangat tinggi (lebih besar dari (0,9) tetapi pada kenyataannya hubungan antara variabel tersebut tidak memiliki arti atau meaningless. Gujarati juga mengatakan bahwa jika R2 > d (Dubin Watson statistik), maka kondisi ini merupakan rule of thumb yang baik untuk menduga bahwa hasil estimasi tersebut kemungkinan besar merupakan nonsense/suporious regression.

20

Jika sebuah data time series merupakan data yang stasioner makan studi akan perilaku untuk data tersebut hanya dapat dilakukan untuk periode waktu tertentu (Gujarati, 2003). Atau dengan kata lain bahwa setiap bagian dari data time series tersebut merupakan bagian yang terpisah satu sama lain. Sebagai konsekuensi dari kondisi tersebut adalah tidak mungkin untuk melakukan estimasi secara generalisasi pada periode waktu yang berbeda-beda. Gujarati menyebutkan kondisi stochastic process dikatakan stasioner jika rata-rata dan variansnya konstan dalam beberapa periode waktu, dan nilai dari kovarians antara dua waktu yang berbeda tergantung dari lag antara dua periode waktu yang tidak tergantung pada waktu aktual pada saat kovarians dihitung. Bisa juga dikatakan sebagai data time series yang stasioner jika rata-rata, varians dan otokovariansnya dalam berbagai jumlah lag menunjukkan kesamaan saat diukur pada berbagai titik pengukuran. Ada beberapa metode yang dapat digunakan untuk menguji stasioneritas. Dua metode yang paling umum digunakan adalah dengan menggunakan metode pengujian augmented Dickey-Fuller dan metode pengujian Philip-Peron (Gujarati, 2003). Asumsi penting yang digunakan dalam pengujian Dickey-Fuller adalah error-nya secara statistik bersifat independen dan mempunyai varians yang konstan. Kemudian metode dasar ini dikembangkan lagi menjadi metode augmented Dickey-Fuller dimana ditambahkan lag pada variabel. Sedangkan metode pengujian Philip-Peron menggunakan metode statistik non-parametrik sehingga untuk mengatasi permasalahan serial korelasi tanpa menambahkan lag. Pengujian Philip-Peron, maka H0 adalah mengandung unit root yang menunjukkan kondisi tidak stationer. Bentuk persamaan uji stasioneritas tersebut dapat dituliskan sebagai berikut: ∆ =α+

+

∆

+ ................................(3)

dimana: ∆

= Bentuk dari first different = intersep

Y = Variabel yang diuji stasioneritasnya

21

P = panjang lag yang digunakan dalam model = error term 3.4.3 Uji Kausalitas Granger (Granger Causality) Uji Kausalitas Granger digunakan untuk mengevaluasi kemampuan peramalan dari satu peubah deret waktu pada periode sebelumnya terhadap peubah deret waktu lainnya pada periode saat ini. Pada analisa data ekonomi dengan menggunakan metode ekonometri seringkali ditemukan kondisi adanya ketergantungan antara satu variabel dengan satu variabel atau beberapa variabel yang lain dalam model persamaan yang digunakan. Atau dapat dikatakan bahwa adanya kemungkinan hubungan kausalitas antar variabel dalam model. Permasalahan inilah yang melandasi akan perlunya pengujian hubungan kausalitas antar variabel dalam model, yang disebut sebagai granger causality test. Misalkan ada dua variabel, yakni A dan B. Pertanyaan yang sering muncul adalah apakah variabel A yang menyebabkan B, ataukah sebaliknya B yang menyebabkan A. Untuk menjawab permasalahan ini maka dilakukan granger causality test untuk memprediksikan hubungan antara kedua variabel tersebut berdasarkan

data time series dalam estimasi model.

Dengan menggunakan tes ini maka hasil estimasi akan menunjukkan kemungkinan-kemungkinan seperti ini, yakni (Gujarati, 2003): 1.

Hubungan kausalitas satu arah dari B t ke At, yang disebut sebagai uniderectional causality from Bt to At.

2.

Hubungan kausalitas satu arah dari At ke Bt yang disebut sebagai uniderectional causality from At to Bt.

3.

Kausalitas dua arah atau saling mempengaruhi (bidirectional causality)

4.

Tidak terdapat hubungan saling ketergantungan (no causality) Kemudian untuk menguji pola kausalitas granger dapat dilakukan dengan

melakukan uji F-test, dimana hipotesa yang akan digunakan yakni, H0 : B does not granger cause A, ditunjukkan dengan persamaan berikut ini: F = (RSSR - RSSUR) / RSSR (n – k) / m ………….. (4) Dimana RSSR (restricted residual sum of squares) diperoleh dari regresi yang dilakukan terhadap A tanpa melibatkan lag variabel B, sedangkan RSS UR (unrestricted residual sum of squares) diperoleh dari regresi yang dilakukan

22

terhadap jumlah observasi dan k adalah jumlah parameter. Nilai (n-k) disebut juga derajat kebebasan atau degree of freedom. Jika nilai F stat > F tabel pada level signifikansi yang ditentukan, maka H0 ditolak atau tidak cukup bukti untuk diterima. Dengan kata lain bahwa B granger cause A. Jika H 0 tidak cukup bukti untuk dapat ditolak maka B does not granger cause A. Analisa ini menggunakan software eviews. Dengan menggunakan eviews, maka tes kausalitas antar variabel dapat dilakukan dengan mudah, dimana lag optimal digunakan. Untuk menguji hipotesa, maka dipermudah dengan membaca probabilitasnya. Dimana jika probabilitas lebih kecil dari alpha (dalam ini penulis menggunakan alpha 5%), maka H0 ditolak atau dengan kata lain variabel B menyebabkan variabel A dan sebaliknya jika probabilitasnya lebih besar dari alpha, maka tidak cukup bukti menolak H0, atau B tidak menyebabkan A, atau tidak ada hubungan kausalitas. 3.4.4 Uji Lag Optimal Penentuan lag optimum ini sangat penting dalam model VAR karena pengujian ini bertujuan untuk mengetahui besarnya lag dari variabel endogen dalam sistem persamaan yang akan digunakan sebagai variabel eksogen (Enders dalam De Jong, 2005). Pengujian panjang lag yang optimal dapat memanfaatkan beberapa informasi yaitu dengan menggunakan Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Untuk dapat menentukan lag ini, maka langkah sebelumnya adalah menentukan nilai determinan dari kovarian residual (|Ω|) yang dapat dihitung sebagai berikut (Eviews 5 User’s Guide): = (det

t

)……………. (5)

Dimana p adalah angka parameter dari tiap persamaan dalam VAR. Selanjutnya, log likelihood value dengan mengasumsikan distribusi normal (Gaussian) dapat dihitung: 1 = - {k(1+log2π) + log|Ω|}……… (6) Dimana k adalah banyaknya parameter yang diestimasi dan T adalah jumlah observasi. Kemudian dilanjutkan dengan menggunakan nilai AIC, dan SC dipilih nilai yang terkecil. Rumus perhitungannya dapat dilihat dibawah ini (Eviews 5 User’s Guide):

23

AIC

-2(l/T)+2(k/T) ……………. (7)

SC

-2(l/T)+k log(T)/T ……… (8)

3.4.5 Uji Stabilitas VAR Pengujian ini dilakukan karena jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi kesalahan yang tidak stabil, maka IRF (Impulse

Response

Function)

dan

FEVD

(Forecast

Error

Variance

Decomposition) menjadi tidak valid (Nugraha, 2006). Stabilitas dapat diartikan hasil estimasinya mendekati nol jika model diperpanjang periode waktunya. Sebuah model dikatakan memilik validitas yang tinggi jika inverse akar karakteristiknya mempunyai modulus kurang dari satu atau semuanya berada didalam lingkaran. Jika modulus nya kurang dari satu atau berada dalam lingkaran, maka model cukup stabil. Namun sebaliknya, jika modulus bernilai satu atau lebih dari satu, atau modulus kebanyakan berada diluar lingkaran maka dapat dipastikan bahwa model tersebut kurang stabil. Jika VAR tersebut memiliki tingkat stabilitas yang rendah atau semua inverse akar karakteristiknya berada diluar unit circle, maka hasil dari estimasi model VAR tersebut meragukan. 3.4.6 Impulse Response Function (IRF) Cara yang baik untuk mencirikan struktur dinamis dalam model adalah dengan menganalisa respon dari model terhadap guncangan (Enders, 2004). Ada dua cara dalam melakukan hal tersebut, yaitu dengan menganalisis Impulse Response Function (IRF) dan analisis Forecast Error Variance Decomposition (FEVD). IRF dapat meneliti hubungan antar variabel dengan menunjukkan bagaimana variabel endogen bereaksi terhadap sebuah shock dalam variabel itu sendiri dan variabel endogen lainnya. IRF adalah suatu metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap suatu shock tertentu karena sebenarnya shock variabel misalnya ke-i tidak hanya berpengaruh terhadap variabel ke-i itu saja tetapi ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis atau struktur lag dalam VAR. Oleh karena itu, IRF juga dapat mengukur pengaruh

24

suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan dimasa yang akan datang. Analisis IRF (Impulse Rensponse Function) dilakukan untuk menilai respon dinamik variabel MPV (Multi Purpose Vehicle), Sedan dan City car. Terhadap adanya goncangan (shock) variabel tertentu. IRF juga bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik artinya suatu variabel yang dapat dipengaruhi oleh guncangan tertentu. Apabila suatu variabel tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui melainkan shock secara umum. 3.4.7 Forecast Error Variance Decomposition (FEVD) Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur dinamis dalam model VAR. Dimana dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang. FEVD mencirikan ragam dari peramalan galat menjadi komponenkomponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase kuadrat prediksi galat k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, maka akan dapat dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain. Jadi melalui FEVD dapat diketahui secara pasti faktor-faktor yang memberikan kontribusi yang paling signifikan terhadap perubahan dari variabel tertentu. Dalam analisis ini variabel tersebut yaitu variabel MPV (Multi Purpose Vehicle), Sedan dan City car.

25

IV. HASIL DAN PEMBAHASAN

4.1. Gambaran Umum Perusahaan 4.1.1 Sejarah Perusahaan Auto 2000 berdiri pada tahun 1975 dengan nama Astra Motor Sales, dan baru pada tahun 1989 berubah nama menjadi Auto 2000. Auto 2000 merupakan jaringan jasa penjualan, perawatan, perbaikan dan penyediaan suku cadang Toyota yang manajemennya ditangani penuh oleh PT Astra International Tbk. Saat ini Auto 2000 adalah main dealer Toyota terbesar di Indonesia, yang menguasai antara 70-80 % dari total penjualan Toyota. Dalam aktivitas bisnisnya, Auto 2000 berhubungan dengan PT Toyota Astra Motor yang menjadi Agen Tunggal Pemegang Merek (ATPM) Toyota. Auto 2000 berkembang pesat karena memberikan berbagai layanan yang sangat memudahkan bagi calon pembeli maupun pengguna Toyota. Auto 2000 memiliki slogan “Urusan Toyota jadi mudah!” dalam hal pelayanannya Auto 2000 memcoba menjadi yang terdepan dalam. Hingga saat ini Auto 2000 memiliki cabang yang tersebar di seluruh Indonesia kecuali Sulawesi, Maluku, Irian Jaya, Riau, Bengkulu, Jawa Tengah dan DIY. Jumlah keseluruhan outlet cabang yang dimiliki oleh Auto 2000 berjumlah 72 outlet cabang sedangkan dealer yang tersebar berjumlah 73 outlet dealer, dengan demikian terdapat 145 cabang yang mewakili penjualan Auto 2000 di seluruh Indonesia. Auto 2000 memiliki 48 bengkel terbesar dan terlengkap di Asia Tenggara, Auto 2000 juga memiliki 596 partshop yang menjamin keaslian suku cadang produk Toyota. 4.1.2 Visi Auto 2000 MUDAH (Ease) Auto 2000 memberikan berbagai kemudahan kepada pelanggan. 1.

Kemudahan mendapatkan informasi, dengan menyediakan berbagai sumber, mulai dari kantor cabang, pameran, situs web, telepon, hingga call center dan lain-lain.

26

2.

Kemudahan pembelian dengan menyediakan berbagai fasilitas termasuk tukar tambah, proses kredit dan asuransi.

3.

Kemudahan layanan purna jual dengan memberikan servis bengkel yang lengkap dan terpadu. PERSONAL (Personal) Auto 2000 melayani pelanggan secara personal. Dengan membangun

database pelanggan secara komprehensif, Auto 2000 memberikan layanan sesuai dengan kebutuhan pelanggan. Anda tidak perlu dipusingkan masalah perawatan mobil dan lainnya karena Auto 2000 akan memberitahu Anda secara personal, misalnya kapan saat perawatan berkala mesti dilakukan, kapan masa kredit berakhir, dan lainnya. HANDAL (Reliable) AUTO 2000 didukung oleh tim dan sistem yang handal: 1. Wiraniaga profesional. 2. Teknisi yang memiliki sertifikasi Toyota Internasional. 3. Sistem Teknologi Informasi yang handal, yang mencatat historis kendaraan dan dapat diakses secara online oleh bengkel-bengkel Auto 2000 di seluruh Indonesia. 4. Garansi atas perbaikan yang dilakukan. 4.2. Analisis Kointegrasi Menurut Chen dan Knez pada tahun 1995 dalam Lucey et al (2004) Sebelum melakukan analisis dalam model VAR/VECM adalah uji kointegrasi, yaitu dapat menjelaskan bahwa variabel yang diamati dalam penelitian ini akan stabil pada jangka panjang. Esensi dari cointegration adalah bahwa series tidak dapat menyebar ke segala arah jauh dari satu sama lain dan menjelaskan bahwa keberadaan hubungan jangka panjang antara series ini dengan series yang lain dapat ditulis pada suati format Error Correction. Salah satu syarat agar tercapai keseimbangan jangka panjang adalah apabila pola data yang digunakan stasioner pada level nol maka menggunakan metode VAR, dan apabila pola data yang digunakan tidak stasioner pada level nol maka menggunakan metode VECM.

27

Dalam menganalisa stasioneritas, tingkat signifikansi yang digunakan adalah pada tingkat signifikan 5 persen. Data penjualan yang dianalisis adalah data penjualan bulanan City Car, Sedan dan MPV yang diperoleh dari tahun 2008 sampai 2011. 4.2.1 Uji Stasioner Uji stasioner merupakan tahap yang penting dalam menganalisis data time series untuk melihat ada atau tidaknya unit root yang terkandung diantara variabel. Apabila dalam data tersebut terdapat banyak data akar unit maka data tersebut tidak stationer. Hal ini menyebabkan hubungan antara varibael dalam persamaan menjadi tidak valid. Karena pengujian stationer sangat penting dalam analisis runtut waktu, maka pengujian ini bertujuan untuk menganalisa suatu variabel stasioner atau tidak, data bersifat stationer akan memiliki ragam yang tidak terlalu besar dan mempeunyai kecenderungan untuk mendekati nilai rataratnya. Pengujian pada penelitian ini menggunakan taraf 5 persen atau dengan tingkat kepercayaan 95 persen, hasil pengujian stationer dapat dilihat pada Tabel 2 berikut ini. Tabel 2. Hasil Uji Stationer Variabel

Test Critical Values (5%)

t-statistic

Probability

City car

-2.935001

-3.375812

0.0177

MPV

-2.935001

-3.942564

0.0040

Sedan

-2.935001

-4.970755

0.0002

Pengujian tingkat kestasioneritas pada penelitian ini dilakukan dengan menggunakan uji Augmented Dickey-Fuller Test (ADF) dengan perangkat lunak Eviews 6. Jika nilai Test Critical Values lebih besar dari nilai t-statistic berarti data tidak stasioner, sebaliknya jika nilai Test Critical Values lebih kecil dari nilai t-statistic berarti data stasioner. Berdasarkan hasil Tabel 1 tersebut menunjukan bahwa semua variabel yang digunakan dalam penelitian ini telah stationer hal ini karena nilai ADF test semua varibael lebih kecil daripada nilai kritis pada taraf 5 persen.

28

Uji stasioneritas yang sudah dilakukan kita sudah dapat menentukan model yang akan dipilih, apabila semua variabel stasioner pada level maka digunakan model VAR, dan apabila semua atau salah satu tidak stasioner pada level dan dilakukan pembedaan maka model yang dipilih adalah VECM. Dalam penelitian ini dapat disimpulkan bahwa terdapat hubungan diantara variabel-variabel tersebut dalam jangka panjang. 4.2.2 Uji Kausalitas Granger Tujuan dilakukannya uji kausalitas granger adalah untuk mengetahui dan melakukan evaluasi kemampuan peramalan dari satu deret waktu terhadap deret waktu sebelumnya. Apabila hipotesis tersebut bernilai nol maka tidak ada hubungan

kausalitas

diantara

variabel,

sedangkan

hipotesis

alternative

menunjukan adanya hubungan kausalitas diantara variabel. Nilai hipotesis nol dapat ditolak dengan melihat nilai probabilitasnya, pada penelitian ini dilakukan dengan nilai kritis 5 persen, artinya jika nilai probabilitas lebih besar dari 5 persen maka hipotesis nol dapat ditolak sehingga akan terdapat hubungan kausalitas diantara variabel tersebut. Hasil uji kausalitas untuk produk sedan, mpv dan City car dapat dilihat pada Tabel 3 berikut ini Tabel 3. Hasil Uji Kausalitas Granger Null Hypothesis:

Obs

F-Statistic

Prob.

CITYCAR does not Granger Cause SEDAN SEDAN does not Granger Cause CITYCAR

41

0.23028 0.94559

0.6341 0.3370

MPV does not Granger Cause SEDAN SEDAN does not Granger Cause MPV

41

0.48711 0.00357

0.4895 0.9527

MPV does not Granger Cause CITYCAR CITYCAR does not Granger Cause MPV

41

4.31617 6.64712

0.0446 0.0139

Berdasarkan Tabel diketahui bahwa uji kausalitas Granger menunjukan hasil bahwa variabel-variabel penjualan produk hanya terdapat satu hubungan kausalitas, yaitu antara MPV dan produk City car. Hubungan kausalitas tersebut dapat diartikan Kausalitas dua arah atau saling mempengaruhi (bidirectional causality), dapat diartikan bahwa penjualan produk MPV mempengaruhi penjualan produk City car sebesar 0,0446, dan sebaliknya penjualan produk City car mempengaruhi MPV sebesar 0,0139.

29

4.2.3 Uji Lag Optimum Penetapan lag optimum penting untuk dilakukan karena dalam metode VAR lag optimal dari variabel endogen merupakan variabel independen yang digunakan dalam model. Nilai lag optimal diperoleh dengan melakukan estimasi VAR. Sebelum melakukan penentuan lag optimal maka dapat dilihat terbih dahulu apakah model VAR tersebut stabil atau tidak. Hasil dari lag optimum dapat dilihat pada Tabel 4 berikut ini Tabel 4. Hasil Uji Lag Optimum Lag

LogL

LR

FPE

AIC

SC

HQ

0

-360.4722

NA

24984.35

18.63960

18.76757*

18.68552*

1

-349.7128

19.31189*

22877.58*

18.54937*

19.06124

18.73303

2

-346.1208

5.894427

30481.40

18.82671

19.72247

19.14810

3

-339.9125

9.232903

36002.84

18.96987

20.24954

19.42900

Berdasarkan hasil Tabel 4 dapat dilihat bahwa penentuan lag dapat digunakan dengan beberapa pendekatan antara lain Likelihood Ratio (LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Berdasarkan uji kestabilan yang telah dilakukan ditunjukan bahwa model VAR dalam penelitian ini telah stabil pada lag ke-3. Setelah dipastikan bahwa hasil estimasi var berada dalam kondisi stabil , maka daoat dilakukan penetapan lag optimal.lag optimal dihitung dengan menggunakan AIC dengan mengambil nilai AIC yang paling kecil. Dari tabel 3 memperlihatkan bahwa dari 3 lag, lag yang bertanda asterisk (*) terdapat pada lag pertama, hal ini menandakan bahwa lag optimal yang dipilih berdasarkan AIC terdapat pada lag pertama. 4.2.4 Pemodelan VAR Pengaruh variabel dapat menggunakan dan dilihat dengan analisis VAR. interpretasi hasil dapat dilihat dengan membaca koefisien integrasi dan pembacaan tanda terbalik dari tanda koefisiennya. Koefisien integrasi dinyatakan signifikan jika nilai mutlak statisti lebih besar dari nilai tabel yaitu 1,96 berikut ini merupakan hasil estimasi VAR.

30

Tabel 5. Estimasi VAR SEDAN

CITYCAR

MVP

SEDAN(-1)

0.265407 (0.17170) [ 1.54575]

-0.231427 (0.29141) [-0.79416]

-1.034065 (0.92598) [-1.11672]

CITYCAR(-1)

-0.086464 (0.10807) [-0.80005]

0.372304 (0.18342) [ 2.02978]

1.641611 (0.58284) [ 2.81659]

MVP(-1)

0.026823 (0.02839) [ 0.94495]

0.094985 (0.04818) [ 1.97167]

0.238314 (0.15308) [ 1.55679]

C

1.393352 (2.28761) [ 0.60909]

-1.247452 (3.88251) [-0.32130]

54.75136 (12.3370) [ 4.43798]

Berdasarkan hasil estimasi var tersebut dapat terlihat bahwa terdapat pengaruh yang ditunjukan oleh penjualan City car, penjualan tersebut dipengaruhi secara nyata oleh penjualan City car pada lag 1 dan penjualan MPV pada lag 1, sedangkan penjualan MPV dipengaruhi secara nyata oleh penjualan City car pada lag 1. Dari tabel tersebut dapat terlihat bahwa terdapat hubungan yang signifikan antara City car dan MPV sedangkan untuk produk sedan hubungan yang terjadi dengan produk lainnya tidak terlalu signifikan. 4.2.5 Uji stabilitas Model Tabel 6. Hasil Uji Stabilitas Modulus 0.701341 0.253344 0.078660

Model dikatakan stabil apabila nilai modulus nya kurang dari satu. Berdasarkan tabel bahwa nilai akar karakteristik atau modulus semuanya menunjukan nilai kurang dari satu, sehingga dapat disimpulkan bahwa model VAR telah stabil

31

4.2.6 Analisis Impuls Response Function (IRF) Analisis Impuls Response Function atau IRF merupakan alat analisis yang digunakan untuk mencari dampak shock variabel satu terhadap variabel lainnya. Dengan menggunakan IRF maka akan dapat dilacak dampak dari salah satu shock terhadap shock lainnya pada saat sekarang dan masa yang akan datang dari variabel endogen. Shock yang terjadi pada variabel endogen secara langsung akan mempengaruhi variabel itu sendiri dan akan berpengaruh juga terhadap variabel lainnya secara berkesinambungan atau dinamis. Pada penelitian ini akan dilakukan tiga analisis IRF untuk masing-masing produk yaitu sedan, City car dan mutli purpose vehicle atau MPV. 4.1. Sedan diimpuls (shock) Response of SEDAN to Nonfactorized One Unit SEDAN Innovation 1.2 1.0 0.8 0.6 0.4 0.2 0.0 -0.2 5

10

15

20

25

30

35

40

45

50

Gambar 2. Respon Sedan terhadap Sedan Respon yang pertama dianalisa adalah respon sedan terhadap sedan, dari grafik tersebut dapat diketahui bahwa respon yang diberikan oleh produk sedan terhadap standar deviasi variabel itu sendiri telah bernilai positif. Pergerakan respon pada grafik tersebut cenderung bernilai stabil, pada periode 1 nilai respon yang diberikan cukup tinggi yaitu dengan nilai 100 persen, tetapi pada periode ke 2 terjadi penurunan yang signifikan dari respon tersebut, pada periode ke 2 respon yang dihasilkan adalah 20 persen. Setelah terjadinya penuruan pada periode ke 2, respon kemudian bergerak stabil dari periode 3 sampai dengan periode ke 5, nilai respon tersebut adalah nol persen. Selanjutnya untuk periode 6 sampai 50 pergerakan respon kembali menurun dengan nilai respon bernilai negatif, pergerakan respon ini sangat kecil. Sehingga dalam grafik pergerakan kecil dan cenderung stabil di nol persen.

32

Response of CITYCAR to Nonfactorized One Unit SEDAN Innovation .00

-.05

-.10

-.15

-.20

-.25 5

10

15

20

25

30

35

40

45

50

Gambar 3. Respon City car terhadap Sedan Pada grafik ini dapat terlihat respon yang diberikan oleh City car terhadap sedan, respon yang diberikan City car pada perubahan standar deviasi sedan bernilai negatif. Hanya pada periode pertama nilai respon yang diberikan tingi yaitu nol persen. Selanjutnya pada periode kedua hingga periode kelima terjadi penurunan yang cukup signifikan, dimana pada periode kedua nilai respon City car terhadap sedan yaitu -23 persen, pada periode ketiga nilai respon yaitu

-24

persen, periode keempat nilai respon -19 persen sedangkan pada periode kelima responnya bernilai -13 persen. Nilai respon stabil pada periode ke 6 sampai periode ke 50 dengan nilai respon nol persen. Dengan nilai respon yang negatif hal ini berarti impuls dari penjualan sedan sebesar satu standar deviasi berpengaruh negatif terhadap penjualan produk City car. Response of MPV to Nonfactorized One Unit SEDAN Innovation 0.0

-0.2

-0.4

-0.6

-0.8

-1.0

-1.2 5

10

15

20

25

30

35

40

45

50

Gambar 4. Respon MPV terhadap Sedan Pada grafik ini dapat terlihat respon yang diberikan oleh MPV terhadap sedan, respon yang diberikan MPV pada perubahan standar deviasi sedan bernilai

33

negatif. Hanya pada periode pertama nilai respon yang diberikan tingi yaitu nol persen. Selanjutnya pada periode kedua terjadi penurunan yang signifikan, dimana pada periode kedua nilai respon MPV terhadap sedan yaitu -103 persen, pada periode ketiga nilai respon yaitu -90 persen, periode keempat nilai respon -68 persen sedangkan pada periode kelima responnya bernilai -49 persen. Nilai respon stabil pada periode ke 20 sampai periode ke 50 dengan nilai respon -1 persen. Dengan nilai respon yang negatif hal ini berarti impuls dari penjualan sedan sebesar satu standar deviasi berpengarug negatif terhadap penjualan produk mpv. 4.2. City car diimpuls (shock) Response of CITYCAR to Nonfactorized One Unit CITYCAR Innovation 1.0

0.8

0.6

0.4

0.2

0.0 5

10

15

20

25

30

35

40

45

50

Gambar 5. Respon City car terhadap City car Respon kedua yang dianalisa adalah respon City car terhadap variabel itu sendiri. pada grafik tersebut nilai standar deviasi dari respon City car terhadap variabel itu sendiri bernilai positif, ketika variabel diimpuls nilai respon meningkat pada periode pertama sampai periode ke 10. Pada periode pertama nilai respon tertinggi yaitu 100 persen dan nilai respon terendah pada periode 10 yaitu 26 persen. Pada periode berikutnya hingga period eke 50 nilai respon cenderung stabil yaitu nol persen, dengan nilai respon yang positif hal ini menunjukkan bahwa variabel City car sangat berpengaruh terhadap naik dan turunnya penjualan City car itu sendiri.

34

Response of SEDAN to Nonfactorized One Unit CITYCAR Innovation .02

.00

-.02

-.04

-.06

-.08

-.10 5

10

15

20

25

30

35

40

45

50

Gambar 6. Respon Sedan terhadap City car Pada grafik ini adalah nilai respon yang ditunjukkan oleh sedan jika City car diimpuls, dari grafik tersebut terlihat bahwa nilai standar deviasi yang dihasil oleh sedan adalah negatif. Pada periode pertama nilai respon yang ditunjukan adalah nol persen. Kemudian pada periode ke 2 sampai periode ke 4 terjadi penurunan,pada periode ke 2 respon yang ditunjukkan oleh sedan adalah - 86 persen, periode ke 3 respon bernilai -11 persen dan periode ke 4 nilai responnya adalah - 8 persen. Kemudian pada periode ke 5 sampai periode ke 50 respon kembali stabil di nol persen. Response of MPV to Nonfactorized One Unit CITYCAR Innovation 2.0

1.6

1.2

0.8

0.4

0.0 5

10

15

20

25

30

35

40

45

50

Gambar 7. Respon MPV terhadap City car Grafik ini menjelaskan mengenai respon yang diberikan oleh mpv jika City car diimpuls. Respon yang diberikan oleh mpv terhadap standar deviasi City car bernilai positif, dengan nilai respon yang cukup tinggi dari periode 2 sampai periode 16., dengan nilai respon tertinggi 160 persen. Pada periode 17 sampai

35

periode 50 nilai respon stabil dengan nilai nol persen. Dengan adanya respon yang positif hal ini membuktikan bahwa variabel mpv mempengaruhi penjualan dari City car. 4.3. MPV diimpuls (shock) Response of MPV to Nonfactorized One Unit MPV Innovation 1.0

0.8

0.6

0.4

0.2

0.0 5

10

15

20

25

30

35

40

45

50

Gambar 8. Respon MPV terhadap MPV Grafik tersebut menjelaskan mengenai respon yang diberikan oleh mpv terhadap variabel mpv itu sendiri. berdasarkan grafik tersebut respon yang diberikan oleh mpv terhadap standar deviasi bernilai positif, ketika variabel diimpuls terjadi respon yang signifikan dari periode 1 sampai periode 11, dengan nilai respon tertinggi yaitu 100 persen pada periode pertama dan nilai respon terendah yaitu 10 persen pada periode 11. Untuk periode 12 sampai periode 50 respon yang diberikan stabil dengan nilai respon nol persen. Dari hasil positif ini maka mpv sangat berpengaruh terhadap naik turunnya penjualan dari mpv itu sendiri.

Response of SEDAN to Nonfactorized One Unit MPV Innovation .028 .024 .020 .016 .012 .008 .004 .000 5

10

15

20

25

30

35

40

45

50

Gambar 9. Respon Sedan terhadap MPV

36

Grafik ini merupakan nilai respon yang ditunjukan oleh sedan jika mpv diimpuls, dari grafik tersebut terlihat bahwa respon yang diberikan oleh sedan terhadap nilai standar deviasi adalah positif. Tetapi nilai respon untuk setiap periodenya tidak terlalu besar,nilai respon mulai terlihat pada periode 2 yaitu dengan nilai respon 0,2 persen dan respon paling rendah ditunjukan pada periode 9 dengan nilai respon 0,0001 persen. Pada periode 10 sampai periode 25 nilai respon stabil yaitu nol persen. Meskipun memiliki respon yang tidak terlalu signifikan tetapi nilai respon yang diberikan adalah positif, dengan nilai ini maka dapat disimpulkan bahwa ketika penjualan mpv diimpuls maka akan mempengaruhi peningkatan penjualan sedan. Response of CITYCAR to Nonfactorized One Unit MPV Innovation .10

.08

.06

.04

.02

.00 5

10

15

20

25

30

35

40

45

50

Gambar 10. Respon City car terhadap MPV Grafik ini merupakan hasil analisis respon dari City car jika mpv diimpuls, respon positif ditunjukan oleh City car, hal ini terlihat pada standar deviasi dalam grafik tersebut. Pada periode ke 2 respon yang ditunjukan oleh City car adalah 9 persen dan terendah adalah periode ke 20 dengan nilai respon 1 persen. Untuk periode 25 sampai 50 nilai respon yang diberikan stabil dengan nilai nol persen. Nilai respon yang ditunjukan oleh City car positif hal ini menunjukan bahwa ketika mpv diimpuls maka akan mempengaruhi penjualan City car. 4.2.7 Forecast Error Variance Decomposition (FEVD) Analisis FEVD bertujuan untuk mengetahui variable yang memiliki peranan penting dalam dalam menjelaskan perubahan suatu variabel. Dengan adanya analisis ini maka dapat diketahui seberapa besar persen variasi variabel dijelaskan oleh seyiap gangguan yang ada di dalam model. Hasil dari analisis FEVD ini akan

37

ditunjukan dalam bentuk diagram, diagram tersebut menunjukkan hasil variasi masing-masing variabel baik endogen maupun eksogen. Untuk hasil variance decomposition sedan akan ditunjukan pada gambar berikut ini :

Variance Decomposition of SEDAN

101 100 99 98 97 96 95

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 SEDAN

CITYCAR

MVP

Gambar 11. Variance Decomposition Sedan Pada Gambar 11 variance decomposition sedan dapat diketahui bahwa penjualan sedan dari periode 1 sampai periode 50 dipengaruhi oleh produk sedan itu sendiri, sedangkan variabel lain yang mempengaruhi penjualan sedan adalah produk MPV. Pada diagram tersebut terlihat bahwa variabel produk MPV lebih berpengaruh dibandingkan dengan produk City car. Dari hasil analisis FEVD dapat disimpulkan bahwa penjualan sedan dipengaruhi oleh produk sedan itu sendiri dan juga produk MPV. 120 100 80

Variance Decomposition of CITYCAR

60 40 20 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 SEDAN

CITYCAR

MVP

Gambar 12. Variance Decomposition City car Pada Gambar 12 ditunjukan mengenai hasil analisis FEVD untuk City car. Dari diagram tersebut ditunjukan variabel yang mempengaruhi penjualan untuk

38

produk City car untuk periode 50 depan, dari hasil variance decomposition City car terlihat bahwa pengaruh penjualan City car pengaruhnya didominasi oleh produk City car itu sendiri, sedangkan untuk pengaruh variabel lain yaitu sedan dan MPV, pengaruhnya lebih besar MPV dibandingkan dengan sedan.

120

Variance Decomposition of MVP

100 80 60 40 20 0

1 3 5 7 9 1113151719212325272931333537394143454749 SEDAN

CITYCAR

MVP

Gambar 13. Variance Decomposition MPV Gambar 13 merupakan hasil analisis FEVD terhadap produk MPV, dari hasil variance decomposition tersebut dapat dilihat bahwa penjualan produk MPV untuk 50 periode kedepan dipengaruhi oleh produk City car. Sedangkan untuk pengaruh variabel lain yaitu sedan, pengaruhnya lebih kecil daripada produk MPV itu sendiri. 4.3. Hasil Peramalan Tabel 7. Hasil peramalan City car Bulan

Forecast SE

Nilai Persamaan

Nilai Forecast

43

+4

26

22

30

44

+5

26

21

31

45

+5

29

24

34

46

+5

31

26

36

47

+5

33

28

38

48

+5

33

28

38

39

Hasil peramalan Tabel 7 diperoleh dari hasil perhitungan atau persamaan regresi yang didapatkan dengan menggunakan nilai rata-rata 6 bulan terakhir. Dari hasil peramalan tersebut dapat terlihat bahwa untuk periode 6 bulan kedepan forecast SE untuk City car akan meningkat pada bulan ke 44 dan cenderung stabil sampai akhir periode terakhir. Nilai forecast penjualan City car pada bulan ke 43 diramalkan penjualan akan menurun menjadi 22 unit dan meningkat menjadi 30 unit,nilai tersebut didapatkan dari nilai persamaan yang dapat meningkat sebanyak 4 point atau menurun sebanyak 4 point. Peramalan untuk penjualan City car dipengaruhi oleh variabel City car itu sendiri dan juga produk MPV. Tabel 8. Hasil peramalan Sedan Bulan

Forecast SE

Nilai Persamaan

Nilai Forecast

43

+2

4

2

6

44

+3

3

0

6

45

+3

5

2

8

46

+3

4

1

7

47

+3

4

1

7

48

+3

4

1

7

Hasil peramalan Tabel 8 untuk sedan menggunakan nilai waktu 6 bulan terakhir, perhitungan ini menggunakan persamaan regresi dari sedan sehingga akan didapatkan hasil peramalan untuk 6 bulan ke depan. Untuk peramalan sedan hanya dipengaruhi oleh variabel itu sendiri, sedangkan untuk variabel produk lain yaitu City car dan MPV tidak terlalu berpengaruh, hal ini karena dari hasil IRF kedua variabel tersebut memberikan respon negative. Dari hasil peramalan tersebut dapat terlihat bahwa pada bulan ke 44 forecast meningkat dari 2 menjadi 3 point sehingga peramalan penjualan akan meningkat menjadi 6 unit atau mengalami penurunan menjadi nol, artinya pada bulan tersebut apabila penjualan sedan mengalami penurunan maka tidak akan ada produk sedan yang terjual sama sekali.

40

Tabel 9. Hasil peramalan MPV Bulan

Forecast SE

Nilai Persamaan

Nilai Forecast

43

+ 13

114

101

127

44

+ 16

118

102

134

45

+ 17

114

97

131

46

+ 17

122

105

139

47

+ 17

133

116

150

48

+ 17

140

123

157

Hasil peramalan Tabel 9 MPV diperoleh dari hasil perhitungan data penjualan selama 6 bulan terakhir, sehingga akan diperoleh hasil peramalan untuk 6 bulan ke depan. Jika dibandingkan dengan dua produk lainnya yaitu City car dan sedan untuk nilai persamaan produk MPV bernilai lebih besar, hal ini karena MPV merupakan salah produk unggulan dari Auto 2000 dan penjualan untuk produk MPV pun cenderung terus meningkat dan lebih banyak dibandingkan dengan City car dan sedan. Nilai persamaan paling besar diperoleh pada bulan ke 48 sehingga penjualan MPV diramalkan akan meningkat sebesar 157 unit dan menurun sebesar 123 unit. 4.4.Implikasi Manajerial Setelah melakukan analisis peramalan penjualan untuk produk sedan,MPV dan City car maka dapat diketahui produk apa yang memberikan pengaruh positif terhadap penjualan produk lainnya. Hasil tersebut dapat diketahui bahwa produk yang memiliki pengaruh positif terhadap penjualan produk lain adalah MPV. Berdasarkan hal tersebut maka pihak Auto 2000 harus mengutamakan produk tersebut dalam penjualannya, hal ini karena jika penjualan MPV meningkat maka penjualan City car dan sedan pun akan ikut mengalami peningkatan. Sedangkan produk yang memiliki pengaruh negative adalah produk sedan., jika terjadi kenaikkan penjualan pada sedan maka produk lain yaitu MPV dan City car akan mengalami penurunan penjualan. Dalam hal pemasarannya pihak Auto 2000 harus meningkatkan strategi promosinya, hal ini agar peramalan penurunan penjualan tidak terjadi. Strategi promosi yang dapat dilakukan oleh pihak Auto 2000 antara lain :

41

1. Melakukan promosi melalui iklan yaitu dengan media leaflet atau brosur 2. Melakukan promosi penjualan dengan memberikan diskon kepada calon pembeli pada bulan-bulan tertentu. 3. Sering melakukan personal selling seperti pameran, pameran dianggap efektif untuk media promosi karena pihak perusahaan dapat langsung mempresentasikan produknya kepada calon pembeli.

42

KESIMPULAN DAN SARAN

1.

Kesimpulan

Berdasarkan hasil penelitian yang telah dilakukan maka dapat diperoleh kesimpulan a.

Berdasarkan hasil uji stationer maka dapat disimpulkan bahwa terdapat hubungan diantara Sedan, MPV dan City car dalam jangka pendek dan jangka panjang. Sedan memiliki hubungan dengan produk City car dan MPV tetapi hubungan tersebut tidak signifikan sedangkan City car memiliki hubungan denngan MPV begitu juga sebaliknya MPV memiliki hubungan yang signifikan dengan City car, hal tersebut karena MPV dan City car saling mempengaruhi dalam penjualannya. Hasil hubungan tersebut dapat dilihat dari hasil uji yang menunjukan bahwa data tersebut stationer dan diperoleh kesimpulan bahwa model yang tepat untuk peramalan adalah menggunakan model VAR. Dari hasil IRF dapat dilihat bahwa apabila sedan diimpuls maka akan terjadi respon positif yang diberikan oleh sedan itu sendiri dan akan direspon negative oleh MPV dan City car. Sedangkan apabila City car diimpuls maka akan memperoleh respon positif dari City car itu sendiri dan MPV sedangkan respon negative diberikan oleh sedan jika terjadi guncangan pada City car. Apabila MPV diimpuls maka semua variabel akan memberikan respon positif.

b.

Hasil peramalan untuk produk sedan,MPV dan City car dihitung berdasarkan hasil

penjualan selama 6 bulan terakhir, sehingga akan

diperoleh hasil peramalan untuk 6 bulan ke depan. Hasil perhitungan peramalan menunjukan bahwa terjadi peningkatkan dalam perhitungan atau persamaan regresi sehingga hal tersebut akan mempengaruhi dan peramalan penjualan baik itu meningkat ataupun menurun. Dari hasil FEVD diperoleh hasil bahwa penjualan sedan untuk periode 50 ke depan dipengaruhi oleh variaebel itu sendiri sedangkan untuk City car dipengaruhi oleh variabel itu sendiri dan juga dipengaruhi oleh MPV dan untuk produk MPV dipengaruhi oleh City car.

43

2.

Saran

a.

Penulis menyarankan agar pihak Auto 2000 menerapakan analisis peramalan sebagai alat bantu dalam meramalkan penjualan untuk masa yang akan datang, sehingga pihak perusahaan dapat mengetahui ramalan penjualan mobil jenis sedan, MPV dan City car. Dengan adanya ramalan maka pihak perusahaan dapat melakukan antisipasi jika penjualan diramalkan mengalami penurunan.

b.

Pihak Auto 2000 diharapkan dapat menerapakan analisis peramalan ini dengan pemahaman yang baik mengenai pola data serta model yang dapat digunakan untuk melakukan analisis peramalan tersebut.

44

DAFTAR PUSTAKA

Aldina A. 2008. Analisis Peramalan Penjualan Matrix Blackberry PT Indosat, Tbk Dalam Rangka Perencanaan strategi Pemasaran. Skripsi pada Departemen Manajemen Fakultas Pertanian, Institut Pertanian Bogor, Bogor. Agung, I.G.N. 2009. Time Series Data Analisys Using Eviews. John Willey an Sons (Asia) Pte Ltd. Singapore De Jong, F. dan F. A. de Roon. 2001. Time-Varying Market Integration and Expected Returns in Emerging Markets. Tinbergen Institute Discussion Paper. TI 2001-113/2 Enders, W. 2000. Applied Economic Time Series. John Willey & Son Ltd. New York, USA Enders, W. 2004. Applied Econometric Time Series. John Willey and Sons, Inc., New York. Engle, R. F. And C. W. J. Granger. 1987. Econometrica. JSTOR. United States of America. GAIKINDO. 2011. Gabungan Industri Kendaraan Bermotor http://www.gaikindo.or.id/ [24 Juli 2011]

Indonesia.

Gujarati, D. N. 2003. Basic Econometrics. Fourth Edition. McGraw Hill One., New York. Hanke, JE. et al. AG. 2003. Peramalan Bisnis. Ed ke-7. Anathur D, Penerjemah. Jakarta: Prenhallindo. Terjemahan dari : Busines Forecasting. Heizer, J. and Render. B. 2006. Operation Management. PT Salemba Empat Khaerunisa, Y. 2009. Analisis VECM (Vector Error Correction Model) dalam Mekanisme Pemodelan dan Peramalan Kebijakan Harga Pangan. Skripsi Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, Bogor. Kotler, P. 2005. Manajemen Pemasaran, Jilid 2. PT INDEKS Kelompok Gramedia. Lucey, B. M, J. Kim dan E. Wu. 2004. Dynamics of Bond Market Integration between Existing And Accession EU Countries. IIIS Discussion Paper No.25 Nugraha, F. W dan A.A. Noer. 2008. Efek perubahan (pass-through effect) kurs terhadap indeks Harga Konsumen di ASEAN-5, Jepang dan Korea Selatan. Jurnal Ekonomi dan Kebijakan Pembangunan, 1 (1) : 90-109 Pasaribu, S. H. 2003. Modul Pelatihan (Paket C) EVIEWS untuk Analisis Runtut Waktu (Time Series Analysis). Departemen Ilmu Ekonomi IPB. Bogor

45

Soef. 2009. Pentingnya Peranan Transportasi perkotaan dan lingkungan. http://soef47.wordpress.com/2009/11/01/pentingnya-peranan-transportasiperkotaan-dan-lingkungan/ [23 Juli 2011] Wikipedia. 2011. Transportasi. http://id.wikipedia.org/wiki/Transportasi [23 Juli 2011] Wisastri. 2006. Peramalan Permintaan Sayuran pada PD Pacet Segar Cianjur. Skripsi pada Departemen Pertanian, Fakultas Pertanian, Institut Pertanian Bogor, Bogor.

46

LAMPIRAN

47

Lampiran 1 Penjualan Multi Purpose Vehicle (MPV), Sedan dan City Car 2008 - 2011 2008 JAN FEB MAR APR MAY JUN JULI AUG SEP OCT NOV DEC TOTAL

MPV SEDAN CITYCAR 2009 MPV SEDAN CITYCAR 2010 MPV 64 3 3 JAN 87 2 5 JAN 90 58 5 5 FEB 74 3 0 FEB 90 86 8 4 MAR 58 3 0 MAR 89 65 8 9 APR 52 0 2 APR 89 73 2 8 MAY 66 1 7 MAY 92 69 9 8 JUN 100 2 3 JUN 92 93 4 10 JULI 71 2 6 JULI 82 81 7 8 AUG 81 3 4 AUG 83 70 10 10 SEP 73 1 4 SEP 82 80 4 5 OCT 78 4 8 OCT 82 113 2 4 NOV 76 1 17 NOV 81 87 10 17 DEC 82 0 4 DEC 81 939 72 91 TOTAL 898 22 60 TOTAL 1033

SEDAN CITYCAR 2011 MPV SEDAN CITYCAR 2 9 JAN 119 5 12 4 10 FEB 80 3 7 4 9 MAR 110 6 14 4 10 APR 115 5 10 4 9 MAY 99 1 12 3 11 JUN 114 2 23 4 12 5 13 5 13 5 13 5 12 4 13 49 134 TOTAL 637 22 78

48

Lampiran 2. Uji Stasioner Penjualan MPV

MPV MVP 120 110 100 90 80 70 60 50 08M01

08M07

09M01

09M07

10M01

10M07

11M01

Null Hypothesis: MPV has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=9)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

t-Statistic

Prob.*

-3.942564 -3.600987 -2.935001 -2.605836

0.0040

49

Lampiran 3. Uji Stasioner Penjualan Sedan

SEDAN 12

10

8

6

4

2

0 08M01

08M07

09M01

09M07

10M01

10M07

11M01

Null Hypothesis: SEDAN has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=9)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

t-Statistic

Prob.*

-4.970755 -3.600987 -2.935001 -2.605836

0.0002

50

Lampiran 4. Uji Stasioner Penjualan City Car

CITYCAR 24

20

16

12

8

4

0 08M01

08M07

09M01

09M07

10M01

10M07

11M01

Null Hypothesis: CITYCAR has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=9)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.

t-Statistic

Prob.*

-3.375812 -3.600987 -2.935001 -2.605836

0.0177

51

Lampiran 5. Uji Kausalitas Granger UJI KAUSALITAS GRANGER Uji Kausalitas Granger Pairwise Granger Causality Tests Date: 07/13/11 Time: 16:08 Sample: 2008M01 2011M06 Lags: 1 Null Hypothesis:

Obs

F-Statistic

Prob.

CITYCAR does not Granger Cause SEDAN SEDAN does not Granger Cause CITYCAR

41

0.23028 0.94559

0.6341 0.3370

MVP does not Granger Cause SEDAN SEDAN does not Granger Cause MVP

41

0.48711 0.00357

0.4895 0.9527

MVP does not Granger Cause CITYCAR CITYCAR does not Granger Cause MVP

41

4.31617 6.64712

0.0446 0.0139

Lampiran 6. Uji Lag Optimum UJI LAG OPTIMUM VAR Lag Order Selection Criteria Endogenous variables: SEDAN CITYCAR MVP Exogenous variables: C Date: 07/13/11 Time: 16:09 Sample: 2008M01 2011M06 Included observations: 39 Lag

LogL

LR

0 1 2 3

-360.4722 -349.7128 -346.1208 -339.9125

NA 19.31189* 5.894427 9.232903

FPE 24984.35 22877.58* 30481.40 36002.84

* indicates lag order selected by the criterion LR: sequential modified LR test statistic (each test at 5% level) FPE: Final prediction error AIC: Akaike information criterion SC: Schwarz information criterion HQ: Hannan-Quinn information criterion

AIC

SC

HQ

18.63960 18.54937* 18.82671 18.96987

18.76757* 19.06124 19.72247 20.24954

18.68552* 18.73303 19.14810 19.42900

52

Lampiran 7. Estimasi VAR ESTIMASI VAR Vector Autoregression Estimates Date: 07/13/11 Time: 16:13 Sample (adjusted): 2008M02 2011M06 Included observations: 41 after adjustments Standard errors in ( ) & t-statistics in [ ] SEDAN

CITYCAR

MVP

SEDAN(-1)

0.265407 (0.17170) [ 1.54575]

-0.231427 (0.29141) [-0.79416]

-1.034065 (0.92598) [-1.11672]

CITYCAR(-1)

-0.086464 (0.10807) [-0.80005]

0.372304 (0.18342) [ 2.02978]

1.641611 (0.58284) [ 2.81659]

MVP(-1)

0.026823 (0.02839) [ 0.94495]

0.094985 (0.04818) [ 1.97167]

0.238314 (0.15308) [ 1.55679]

C

1.393352 (2.28761) [ 0.60909]

-1.247452 (3.88251) [-0.32130]

54.75136 (12.3370) [ 4.43798]

0.075218 0.000236 231.1053 2.499218 1.003143 -93.62716 4.762300 4.929478 3.951220 2.499512

0.257891 0.197720 665.6899 4.241653 4.285968 -115.3151 5.820251 5.987429 8.780488 4.735569

0.300935 0.244254 6721.492 13.47820 5.309282 -162.7161 8.132492 8.299670 83.97561 15.50401

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

17693.21 13003.50 -368.7254 18.57197 19.07350

53

Lampiran 8. Uji Stabilitas Model UJI STABILITAS MODEL Roots of Characteristic Polynomial Endogenous variables: SEDAN CITYCAR MVP Exogenous variables: C Lag specification: 1 1 Date: 07/13/11 Time: 16:12 Root

Modulus

0.701341 0.253344 -0.078660

0.701341 0.253344 0.078660

No root lies outside the unit circle. VAR satisfies the stability condition.

54

Lampiran 9. Impuls Response of Sedan

Periode 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Respon CITYCAR 0 -0.08646 -0.01111 -0.00086 0.001595 0.00164 0.001285 0.000936 0.000665 0.000468 0.000329 0.000231 0.000162 0.000114 7.97E-05 5.59E-05 3.92E-05 2.75E-05 1.93E-05 1.35E-05 9.48E-06 6.65E-06 4.66E-06 3.27E-06 2.29E-06

Respon MPV 0 0.026823 0.005298 0.00189 0.000737 0.000378 0.000229 0.000152 0.000104 7.23E-05 5.06E-05 3.54E-05 2.48E-05 1.74E-05 1.22E-05 8.57E-06 6.01E-06 4.21E-06 2.96E-06 2.07E-06 1.45E-06 1.02E-06 7.15E-07 5.02E-07 3.52E-07

Respon Periode SEDAN 1 26 0.265407 27 0.062715 28 0.013736 29 0.00189 30 -0.00063 31 -0.00094 32 -0.00078 33 -0.00058 34 -0.00042 35 -0.00029 36 -0.00021 37 -0.00015 38 -0.0001 39 -7.13E-05 40 -5.00E-05 41 -3.51E-05 42 -2.46E-05 43 -1.72E-05 44 -1.21E-05 45 -8.48E-06 46 -5.95E-06 47 -4.17E-06 48 -2.93E-06 49 -2.05E-06 50

Respon CITYCAR 1.61E-06 1.13E-06 7.92E-07 5.55E-07 3.89E-07 2.73E-07 1.92E-07 1.34E-07 9.42E-08 6.61E-08 4.63E-08 3.25E-08 2.28E-08 1.60E-08 1.12E-08 7.86E-09 5.51E-09 3.87E-09 2.71E-09 1.90E-09 1.33E-09 9.36E-10 6.56E-10 4.60E-10 3.23E-10

Respon MPV 2.47E-07 1.73E-07 1.21E-07 8.51E-08 5.97E-08 4.19E-08 2.94E-08 2.06E-08 1.44E-08 1.01E-08 7.10E-09 4.98E-09 3.49E-09 2.45E-09 1.72E-09 1.21E-09 8.45E-10 5.93E-10 4.16E-10 2.92E-10 2.05E-10 1.43E-10 1.01E-10 7.06E-11 4.95E-11

Respon SEDAN -1.44E-06 -1.01E-06 -7.08E-07 -4.97E-07 -3.48E-07 -2.44E-07 -1.71E-07 -1.20E-07 -8.43E-08 -5.91E-08 -4.14E-08 -2.91E-08 -2.04E-08 -1.43E-08 -1.00E-08 -7.03E-09 -4.93E-09 -3.46E-09 -2.43E-09 -1.70E-09 -1.19E-09 -8.37E-10 -5.87E-10 -4.12E-10 -2.89E-10

55

Lampiran 10. Impuls Response of MPV (multi purpose vehicle) Periode 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Respon CITYCAR 1 0.372304 0.314549 0.223384 0.158218 0.111291 0.078141 0.054825 0.038457 0.026973 0.018917 0.013268 0.009305 0.006526 0.004577 0.00321 0.002251 0.001579 0.001107 0.000777 0.000545 0.000382 0.000268 0.000188 0.000132

Respon MPV 0 0.094985 0.051792 0.035627 0.02457 0.017145 0.012001 0.008411 0.005897 0.004136 0.0029 0.002034 0.001427 0.001001 0.000702 0.000492 0.000345 0.000242 0.00017 0.000119 8.35E-05 5.86E-05 4.11E-05 2.88E-05 2.02E-05

Respon SEDAN 0 -0.23143 -0.24581 -0.19159 -0.13939 -0.09902 -0.06977 -0.04901 -0.03439 -0.02413 -0.01692 -0.01187 -0.00832 -0.00584 -0.00409 -0.00287 -0.00201 -0.00141 -0.00099 -0.0007 -0.00049 -0.00034 -0.00024 -0.00017 -0.00012

Periode 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

Lampiran 11. Impuls Response of City car

Respon CITYCAR 9.24E-05 6.48E-05 4.55E-05 3.19E-05 2.24E-05 1.57E-05 1.10E-05 7.71E-06 5.41E-06 3.79E-06 2.66E-06 1.87E-06 1.31E-06 9.18E-07 6.44E-07 4.52E-07 3.17E-07 2.22E-07 1.56E-07 1.09E-07 7.66E-08 5.37E-08 3.77E-08 2.64E-08 1.85E-08

Respon MPV 1.42E-05 9.94E-06 6.97E-06 4.89E-06 3.43E-06 2.40E-06 1.69E-06 1.18E-06 8.30E-07 5.82E-07 4.08E-07 2.86E-07 2.01E-07 1.41E-07 9.87E-08 6.92E-08 4.86E-08 3.41E-08 2.39E-08 1.68E-08 1.17E-08 8.24E-09 5.78E-09 4.05E-09 2.84E-09

Respon SEDAN -8.27E-05 -5.80E-05 -4.07E-05 -2.85E-05 -2.00E-05 -1.40E-05 -9.84E-06 -6.90E-06 -4.84E-06 -3.39E-06 -2.38E-06 -1.67E-06 -1.17E-06 -8.21E-07 -5.76E-07 -4.04E-07 -2.83E-07 -1.99E-07 -1.39E-07 -9.77E-08 -6.85E-08 -4.81E-08 -3.37E-08 -2.36E-08 -1.66E-08

56

Periode 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Respon CITYCAR 1 0.372304 0.314549 0.223384 0.158218 0.111291 0.078141 0.054825 0.038457 0.026973 0.018917 0.013268 0.009305 0.006526 0.004577 0.00321 0.002251 0.001579 0.001107 0.000777 0.000545 0.000382 0.000268 0.000188 0.000132

Respon MPV 0 0.094985 0.051792 0.035627 0.02457 0.017145 0.012001 0.008411 0.005897 0.004136 0.0029 0.002034 0.001427 0.001001 0.000702 0.000492 0.000345 0.000242 0.00017 0.000119 8.35E-05 5.86E-05 4.11E-05 2.88E-05 2.02E-05

Respon SEDAN 0 -0.23143 -0.24581 -0.19159 -0.13939 -0.09902 -0.06977 -0.04901 -0.03439 -0.02413 -0.01692 -0.01187 -0.00832 -0.00584 -0.00409 -0.00287 -0.00201 -0.00141 -0.00099 -0.0007 -0.00049 -0.00034 -0.00024 -0.00017 -0.00012

Periode 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

Respon CITYCAR 9.24E-05 6.48E-05 4.55E-05 3.19E-05 2.24E-05 1.57E-05 1.10E-05 7.71E-06 5.41E-06 3.79E-06 2.66E-06 1.87E-06 1.31E-06 9.18E-07 6.44E-07 4.52E-07 3.17E-07 2.22E-07 1.56E-07 1.09E-07 7.66E-08 5.37E-08 3.77E-08 2.64E-08 1.85E-08

Respon MPV 1.42E-05 9.94E-06 6.97E-06 4.89E-06 3.43E-06 2.40E-06 1.69E-06 1.18E-06 8.30E-07 5.82E-07 4.08E-07 2.86E-07 2.01E-07 1.41E-07 9.87E-08 6.92E-08 4.86E-08 3.41E-08 2.39E-08 1.68E-08 1.17E-08 8.24E-09 5.78E-09 4.05E-09 2.84E-09

Respon SEDAN -8.27E-05 -5.80E-05 -4.07E-05 -2.85E-05 -2.00E-05 -1.40E-05 -9.84E-06 -6.90E-06 -4.84E-06 -3.39E-06 -2.38E-06 -1.67E-06 -1.17E-06 -8.21E-07 -5.76E-07 -4.04E-07 -2.83E-07 -1.99E-07 -1.39E-07 -9.77E-08 -6.85E-08 -4.81E-08 -3.37E-08 -2.36E-08 -1.66E-08

57

Lampiran 12.

FORECAST ERROR VARIANCE DECOMPOSITION of

City Car, MPV, and Sedan Period

S.E.

CITYCAR

MPV

SEDAN

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

4.241653 4.777854 5.041097 5.168208 5.230248 5.260606 5.275494 5.282806 5.286399 5.288166 5.289035 5.289462 5.289672 5.289775 5.289826 5.289851 5.289864 5.289870 5.289873 5.289874 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875 5.289875

100.0000 91.36046 88.81285 87.62556 87.06927 86.80222 86.67261 86.60930 86.57827 86.56304 86.55555 86.55187 86.55006 86.54917 86.54873 86.54851 86.54841 86.54836 86.54833 86.54832 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831 86.54831

0.000000 7.305204 8.636354 9.166007 9.394035 9.500294 9.551288 9.576095 9.588234 9.594192 9.597119 9.598557 9.599265 9.599613 9.599784 9.599868 9.599910 9.599930 9.599940 9.599945 9.599948 9.599949 9.599949 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950 9.599950

0.000000 1.334338 2.550793 3.208433 3.536697 3.697485 3.776104 3.814607 3.833496 3.842773 3.847332 3.849574 3.850677 3.851219 3.851486 3.851617 3.851681 3.851713 3.851729 3.851736 3.851740 3.851742 3.851743 3.851743 3.851743 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744 3.851744

58

Period

S.E.

CITYCAR

MPV

SEDAN

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

13.47820 15.70508 16.68796 17.16188 17.39179 17.50407 17.55909 17.58610 17.59937 17.60590 17.60911 17.61068 17.61146 17.61184 17.61203 17.61212 17.61217 17.61219 17.61220 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221 17.61221

4.814586 22.95189 27.68104 29.67867 30.57869 31.00405 31.20924 31.30921 31.35816 31.38218 31.39398 31.39979 31.40264 31.40404 31.40473 31.40507 31.40524 31.40532 31.40536 31.40538 31.40539 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540 31.40540

95.18541 74.58254 68.47818 65.78888 64.55369 63.96590 63.68164 63.54301 63.47511 63.44179 63.42541 63.41736 63.41340 63.41146 63.41050 63.41003 63.40980 63.40968 63.40963 63.40960 63.40958 63.40958 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957 63.40957

0.000000 2.465568 3.840781 4.532453 4.867626 5.030048 5.109122 5.147778 5.166728 5.176032 5.180604 5.182851 5.183957 5.184500 5.184768 5.184899 5.184964 5.184996 5.185011 5.185019 5.185023 5.185025 5.185026 5.185026 5.185026 5.185026 5.185026 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027 5.185027

Period

S.E.

CITYCAR

MPV

SEDAN

1

2.499218

8.411357

0.535734

91.05291

59

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 Cholesky Ordering: CITYCAR MPV SEDAN

2.597739 2.602730 2.603059 2.603100 2.603116 2.603125 2.603129 2.603132 2.603133 2.603133 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134 2.603134

7.919312 7.891873 7.891967 7.893288 7.894044 7.894430 7.894622 7.894717 7.894763 7.894786 7.894798 7.894803 7.894806 7.894807 7.894808 7.894808 7.894808 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809 7.894809

1.866785 1.909634 1.916515 1.917744 1.918101 1.918238 1.918299 1.918328 1.918342 1.918349 1.918352 1.918354 1.918354 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355 1.918355

90.21390 90.19849 90.19152 90.18897 90.18785 90.18733 90.18708 90.18696 90.18689 90.18687 90.18685 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684 90.18684

60

Lampiran 13 REGRESI MODEL MINITAB 1.

MVP The regression equation is MVP = 56.3 + 0.177 MLAG1 - 0.744 SLAG1 - 0.420 SEDAN + 1.32 CLAG1 + 0.769 CITYCAR 41 cases used, 1 cases contain missing values Predictor Constant MLAG1 SLAG1 SEDAN CLAG1 CITYCAR

Coef 56.30 0.1765 -0.7445 -0.4205 1.3189 0.7691

S = 13.4806

SE Coef 12.45 0.1612 0.9758 0.9266 0.6301 0.5460

T 4.52 1.09 -0.76 -0.45 2.09 1.41

R-Sq = 33.8%

P 0.000 0.281 0.451 0.653 0.044 0.168

R-Sq(adj) = 24.4%

Analysis of Variance Source Regression Residual Error Total Source MLAG1 SLAG1 SEDAN CLAG1 CITYCAR

DF 1 1 1 1 1

DF 5 35 40

SS 3254.5 6360.5 9615.0

MS 650.9 181.7

F 3.58

P 0.010

Seq SS 1451.6 0.8 31.2 1410.4 360.6

Unusual Observations Obs 11 37

MLAG1 80 81

MVP 113.00 119.00

Fit 76.27 91.89

SE Fit 3.59 3.81

Residual 36.73 27.11

St Resid 2.83R 2.10R

R denotes an observation with a large standardized residual.

2.

Sedan The regression equation is SEDAN = 2.38 + 0.0130 MLAG1 - 0.0139 MVP + 0.293 SLAG1 - 0.131 CLAG1 + 0.181 CITYCAR 41 cases used, 1 cases contain missing values Predictor Constant MLAG1 MVP SLAG1

Coef 2.380 0.01298 -0.01391 0.2928

SE Coef 2.821 0.02975 0.03065 0.1720

T 0.84 0.44 -0.45 1.70

P 0.405 0.665 0.653 0.098

61

CLAG1 CITYCAR

-0.1309 0.18058

S = 2.45199

0.1195 0.09741

R-Sq = 15.8%

-1.09 1.85

0.281 0.072

R-Sq(adj) = 3.8%

Analysis of Variance Source Regression Residual Error Total Source MLAG1 MVP SLAG1 CLAG1 CITYCAR

DF 1 1 1 1 1

DF 5 35 40

SS 39.474 210.428 249.902

MS 7.895 6.012

F 1.31

P 0.281

Seq SS 3.521 0.960 11.216 3.114 20.663

Unusual Observations Obs 6 9 12 23

MLAG1 73 81 113 78

SEDAN 9.000 10.000 10.000 1.000

Fit 3.352 5.267 5.769 5.530

SE Fit 0.724 0.763 1.297 1.003

Residual 5.648 4.733 4.231 -4.530

St Resid 2.41R 2.03R 2.03R -2.02R

R denotes an observation with a large standardized residual.

3.

City car The regression equation is CITYCAR = - 5.76 + 0.0651 MLAG1 + 0.0698 MVP - 0.291 SLAG1 + 0.495 SEDAN + 0.301 CLAG1 41 cases used, 1 cases contain missing values Predictor Constant MLAG1 MVP SLAG1 SEDAN CLAG1

Coef -5.757 0.06508 0.06977 -0.2907 0.4951 0.3006

S = 4.06020

SE Coef 4.617 0.04815 0.04953 0.2922 0.2671 0.1948

R-Sq = 35.7%

T -1.25 1.35 1.41 -0.99 1.85 1.54

P 0.221 0.185 0.168 0.327 0.072 0.132

R-Sq(adj) = 26.5%

Analysis of Variance Source Regression Residual Error Total

DF 5 35 40

SS 320.04 576.98 897.02

MS 64.01 16.49

F 3.88

P 0.007

62

Source MLAG1 MVP SLAG1 SEDAN CLAG1

DF 1 1 1 1 1

Seq SS 157.19 76.67 0.00 46.93 39.26

Unusual Observations Obs 23 42

MLAG1 78 99

CITYCAR 17.000 23.000

Fit 6.358 12.946

SE Fit 1.062 1.674

Residual 10.642 10.054

St Resid 2.72R 2.72R

R denotes an observation with a large standardized residual.