ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN PENDEKATAN KOINTEGRASI PADA KOMODITAS ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) DI PT S-IK INDONESIA
Oleh KIKI MAULYA PUSPITA H24087087
PROGRAM SARJANA ALIH JENIS MANAJEMEN DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2011
RINGKASAN
KIKI MAULYA PUSPITA. H24087087. Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Tiga Komoditas Pada PT. S-IK Indonesia. Di bawah bimbingan MUHAMAD SYAMSUN
Hampir seluruh kegiatan manusia senantiasa diarahkan pada kondisi waktu yang akan datang, dimana keberadaannya tidak dapat diketahui secara pasti. Hal yang juga terjadi pada kegiatan perusahaan. Semua perusahaan beroperasi dalam suasana ketidakpastian. Untuk meminimalkan ketidakpastian itu dapat dilakukan dengan metode atau pendekatan peramalan (forecasting). Peramalan penjualan sangat penting dalam mengkaji situasi dan kondisi pada masa depan dan dapat digunakan untuk memperkirakan apa yang akan terjadi di masa mendatang. Berdasarkan definisi dan kegunaan yang telah dijabarkan, maka PT S-IK Indonesia yang merupakan perusahaan yang bergerak dalam bidang manufaktur yaitu Plastic Coloring and Compounding (pewarnaan dan perancangan/peracikan bahan baku plastik), perlu menerapkan peramalan penjualan dengan menggunakan pendekatan peramalan yang ada guna untuk mendapatkan suatu perencanaan yang baik untuk mencapai target yang ingin dicapai oleh perusahaan serta meningkatkan kualitas dan kuantitas penjualannya. Selama ini PT S-IK Indonesia dalam menerapkan peramalan penjualannya masih menggunakan metode kualitatif, yakni metode peramalan berdasarkan intuisi atau pertimbangan seorang manajer dalam pengambilan keputusan. Dimana dalam hal ini, PT S-IK Indonesia hanya menggunakan informasiinformasi yang ada untuk meramalkan kondisi penjualannya di masa yang akan datang. Oleh karena itu melalui penelitian ini peneliti berusaha untuk memberikan sebuah usulan atau alternatif peramalan penjualan dengan menggunakan pendekatan peramalan kointegrasi. Bahan baku plastik yang akan diramalkan pada penelitian kali ini adalah hanya mengambil tiga sampel bahan baku plastik yang terdapat pada PT S-IK Indonesia yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene). Hal ini dikarenakan ketiga komoditi tersebut merupakan komoditi utama di PT S-IK Indonesia yang banyak dipesan oleh konsumen. Penjualan dari ketiga komoditi ABS, PP dan PS yang berfluktuatif menyebabkan PT. S-IK Indonesia memerlukan suatu pendekatan untuk melihat ramalan volume penjualan dari ketiga komoditi tersebut serta hubungan dan pengaruh penjualan antar komoditi. Pengaruh dan hubungan setiap komoditi dalam suatu perusahaan terkadang menyebabkan penurunan dan peningkatan penjualan terhadap komoditi lainnya. Hal ini diperlukan untuk membantu PT. S-IK Indonesia dalam mengontrol volume penjualan dari ketiga komoditi tersebut dalam beberapa periode ke depan. Pendekatan yang di gunakan dalam penelitian ini yaitu pendekatan kointegrasi. Dimana dengan metode kointegrasi ini perusahaan dapat melihat hubungan antar produk dan juga dapat mengetahui ramalan penjualan untuk periode kedepannya.
ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN PENDEKATAN KOINTEGRASI PADA KOMODITAS ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) DI PT S-IK INDONESIA
SKRIPSI sebagai salah satu syarat untuk memperoleh gelar SARJANA EKONOMI pada Program Sarjana Alih Jenis Manajemen Departemen Manajemen Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor
Oleh KIKI MAULYA PUSPITA H24087087
PROGRAM SARJANA ALIH JENIS MANAJEMEN DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2011
Judul Skripsi : Analisis
Peramalan
Penjualan
Menggunakan
Pendekatan
Kointegrasi Pada Komoditas ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) di PT S-IK Indonesia Nama
: Kiki Maulya Puspita
NIM
: H24087087
Menyetujui Dosen Pembimbing,
(Dr. Ir. Muhamad Syamsun, M.Sc.) NIP : 195007271974121001
Mengetahui Ketua Departemen,
(Dr. Ir. Jono M. Munandar, M.Sc) NIP. 196101231986011002
Tanggal Lulus
iv
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT yang telah melimpahkan segala rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan skripsi yang berjudul “Analisis Peramalan Penjualan Menggunakan Pendekatan Kointegrasi Pada Komoditas ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) Di PT S-IK Indonesia”. Skripsi ini menjelaskan pengolahan data penjualan untuk ramalan penjualan di masa yang akan datang dengan tujuan meningkatkan penjualan. Selain itu, skripsi ini menjelaskan pengaruh-pengaruh variabel lain terhadap penjualan produk. Penulis berharap dengan adanya skripsi ini dapat memberikan wawasan baru mengenai pengolahan data untuk peramalan khususnya bagi perusahaan yang sedang berkembang. Segenap usaha maksimal telah penulis lakukan dalam menyelesaikan skripsi ini. Namun, penulis mengakui penulisan skripsi belumlah sempurna, baik dalam segi materi maupun penyusunannya. Oleh karena itu, penulis menerima saran dan kritik yang bersifat membangun sehingga skripsi ini dapat lebih baik lagi. Semoga skripsi ini dapat bermanfaat bagi kita semua.
Bogor, Oktober 2011
Penulis
iii
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 08 November 1987. Penulis merupakan anak pertama dari dua bersaudara pasangan Bapak Budi Rahardjo dan Ibu Tri Fadjar Wati. Pendidikan dasar penulis diselesaikan selama enam tahun di Sekolah Dasar Negeri Gunung Sahari Jakarta dan Sekolah Dasar Negeri Polisi Empat Bogor. Kemudian melanjutkan sekolah lanjutan tingkat pertama di SLTP Negeri 5 Bogor selama tiga tahun. Sekolah lanjutan tingkat atas diselesaikan selama tiga tahun di SMU Plus Persaudaraan Haji Bogor dan lulus pada tahun 2005. Setelah lulus, Penulis diterima di Program Diploma III program keahlian Manajemen Informatika, Institut pertanian Bogor. Pendidikan ditempuh selama tiga tahun lulus pada tahun 2008. Pada tahun yang sama, penulis diterima di Program Sarjana Alih Jenis Manajemen, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor.
v
UCAPAN TERIMAKASIH
Dalam penyusunan skripsi yang berjudul Analisis Peramalan Penjualan Menggunakan Pendekatan Kointegrasi Pada Komoditas ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) di PT S-IK Indonesia, banyak dibantu oleh berbagai pihak baik secara moril maupun materil. Oleh karena itu pada kesempatan ini penulis mengucapkan terimakasih yang sebesar-besarnya kepada: 1.
Bapak Dr. Ir. Muhamad Syamsun, M.Sc. Selaku dosen Pembimbing yang telah membimbing, memberikan masukan, dan mendukung penulis selama penyusunan Skripsi.
2.
Bapak Fauzie Daulay selaku pihak PT S-IK yang sudah memberikan kesempatan kepada saya untuk melakukan penelitian di perusahaan tersebut dan juga membantu dalam memberikan informasi/data yang ada pada PT SIK Indonesia.
3.
Orang tua tercinta Budi Rahardjo dan Tri Fadjar Wati, serta adik penulis Dimas Saputro atas doa, kasih sayang, dukungan, nasihat dan perhatian yang diberikan kepada penulis.
4.
Seluruh Dosen Departemen Manajemen yang telah memberikan ilmu dan bimbingan selama kuliah.
5.
Teman-teman satu bimbingan Indra, Iqbal, Muharani, Riza yang telah memberikan bantuan dan dukungan dalam proses penyelesaian skripsi.
6.
Bayu, Rina, Pras, Reki, Ovie dan teman-teman di Manajemen yang tidak bisa disebutkan satu persatu, namun tidak mengurangi rasa terima kasih penulis atas kerja sama dan bantuannya.
vi
DAFTAR ISI
Halaman RINGKASAN RIWAYAT HIDUP ...................................................................................
iii
KATA PENGANTAR .............................................................................
iv
UCAPAN TERIMAKASIH ......................................................................
v
DAFTAR ISI ...........................................................................................
vi
DAFTAR TABEL ...................................................................................
viii
DAFTAR GAMBAR ...............................................................................
ix
DAFTAR LAMPIRAN ...........................................................................
x
I. PENDAHULUAN ..............................................................................
1
1.1. Latar Belakang ............................................................................. 1.2. Perumusan Masalah ...................................................................... 1.3. Tujuan Penelitian .......................................................................... 1.4. Manfaat Penelitian ........................................................................ 1.5. Ruang Lingkup ............................................................................
1 4 4 4 5
II. TINJAUAN PUSTAKA ....................................................................
6
2.1. Plastik ........................................................................................... 2.2. Bahan Baku Plastik Thermoplast ................................................... 2.3. Teori Peramalan ............................................................................ 2.4. Pendekatan dalam Peramalan ......................................................... 2.5. Peramalan Penjualan ..................................................................... 2.6. Kointegrasi ................................................................................... 2.7. Vector Auto Regression (VAR) ..................................................... 2.8. Analisis Vector Error Correction Model (VECM) ........................ 2.9. Impulse Response Function (IRF) .................................................. 2.10. Forecast Error Variance Decomposition (FEVD) ....................... 2.11. Penelitian terdahulu ....................................................................
6 8 10 11 12 13 14 15 16 16 17
III. METODE PENELITIAN ................................................................
19
3.1. Kerangka Pemikiran Penelitian .................................................... 3.2. Lokasi dan Waktu Penelitian ......................................................... 3.3. Metode Pengumpulan Data ........................................................... 3.4. Pengolahan dan Analisis Data ....................................................... 3.4.1 Uji Stasioneritas Data ............................................................ 3.4.2 Metode Pengujian Granger Causality .................................... 3.4.3 Pengujian Lag Optimal .......................................................... 3.4.4 Uji Kointegrasi ...................................................................... 3.4.5 Analisis Vector Error Correction Model (VECM) ................. 3.4.6 Uji Stabilitas model ............................................................... 3.4.7 Impuls Response Function (IRF) ...........................................
19 21 21 21 22 23 23 24 25 26 26
vii
3.4.8 Forecast Error Variance Decomposition (FEVD) ..................
27
IV. HASIL DAN PEMBAHASAN .........................................................
29
4.1. Gambaran Umum Perusahaan ....................................................... 4.2. Visi dan Misi Perusahaan ............................................................. 4.3. Perkembangan Perusahaan ........................................................... 4.4. Fasilitas Produksi yang Dimiliki PT S-IK Indonesia ..................... 4.5. Produk-produk Perusahaan ........................................................... 4.6. Struktur Organisasi ....................................................................... 4.7. Hasil Analisis ................................................................................. 4.7.1 Uji Stasioneritas ................................................................. 4.7.2 Uji Kausalitas Granger ........................................................ 4.7.3 Penentuan Lag Optimal........................................................ 4.7.4 Uji Kointegrasi ................................................................... 4.7.5 Estimasi VECM (Vector Error Correction Model) .............. 4.7.6 Uji Stabilitas Model ............................................................ 4.7.7 Impuls Respon FunctionI (IRF) ............................................ 4.7.8 Forecast Error Variance Decomposition (FEVD) ................ 4.8. Implikasi Manajerial .......................................................................
29 30 31 32 32 33 35 35 36 37 37 38 38 39 42 48
KESIMPULAN DAN SARAN ................................................................
50
1. Kesimpulan ..................................................................................... 2. Saran ...............................................................................................
50 51
DAFTAR PUSTAKA ..............................................................................
52
LAMPIRAN .............................................................................................
54
viii
DAFTAR TABEL
No 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12.
Halaman Macam-macam plastik ...................................................................... 7 Perkembangan perusahaan ................................................................ 32 Hasil Uji Unit Root pada Level ......................................................... 35 Hasil Uji Unit Root pada First Difference ........................................... 36 Uji Kausalitas Granger ....................................................................... 36 Penentuan Lag Optimal ...................................................................... 37 Uji Kointegrasi ................................................................................... 37 Estimasi VECM (Vector Error Correction Model) ............................ 38 Pengujian Stabilitas Model ............................................................... 39 Hasil peramalan ABS ....................................................................... 43 Hasil peramalan PP ........................................................................... 45 Hasil peramalan PS ............................................................................ 47
ix
DAFTAR GAMBAR
No 1. 2. 3. 4. 5. 6. 7. 8.
Halaman Grafik penjualan produk ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) selama 5 tahun terakhir ...... Kerangka Pemikiran ......................................................................... Impulse Response ABS ..................................................................... Impulse Response PP ........................................................................ Impulse Response PS ........................................................................ Variance Decomposition ABS ............................................................ Variance Decomposition PP ............................................................... Variance Decomposition PS ...............................................................
3 20 39 40 41 44 46 48
x
DAFTAR LAMPIRAN
No
Halaman
1. Fasilitas yang terdapat pada PT S-IK Indonesia ...................................... 2. Struktur Organisasi ................................................................................ 3. Data Penjualan ABS, PP dan PS tahun 2006 - 2010................................ 4. Uji Stasioneritas data dan Uji First Difference........................................ 5. Uji Kausalitas Granger .......................................................................... 6. Penentuan Lag Optimum ....................................................................... 7. Uji Kointegrasi....................................................................................... 8. Estimasi VECM .................................................................................... 9. Uji Stabilitas Model .............................................................................. 10. Impuls Response (IRF) ......................................................................... 11. Forecast Error Variance Decomposition (FEVD) ................................. 12. Regresi Model Minitab..........................................................................
55 58 59 60 63 64 65 66 68 69 75 78
I. PENDAHULUAN
1.1. Latar Belakang Hampir seluruh kegiatan manusia senantiasa diarahkan pada kondisi waktu yang akan datang, dimana keberadaannya tidak dapat diketahui secara pasti. Hal yang juga terjadi pada kegiatan perusahaan. Semua perusahaan beroperasi dalam suasana ketidakpastian. Terlepas dari kenyataan ini, keputusan harus diambil dimana dampaknya baru dirasakan oleh perusahaan dimasa yang akan datang. Untuk meminimalkan ketidakpastian itu dapat dilakukan dengan metode atau pendekatan peramalan (forecasting). Menurut Hanke et, al. (2003), tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan di bandingkan dengan tebakan non-ilmiah. Tebakan ilmiah yaitu peramalan yang berdasarkan metodemetode manipulasi data secara logis yang dihasilkan dari kejadian-kejadian masa lalu. Dengan pendekatan peramalan dapat diidentifikasikan pola-pola yang dapat digunakan untuk meramalkan kondisi pada waktu yang akan datang, sehingga dari hasil peramalan itu, eksekutif perusahaan dapat membuat perencanaan yang diperlukan untuk dilaksanakan pada masa yang akan datang. Peramalan dan perencanaan merupakan hal-hal yang berkaitan dengan masa yang akan datang. Mata rantai proses manajemen adalah peramalan perencanaan dan pembuatan keputusan.Walaupun hasil dari peramalan tidak pernah secara mutlak tepat, akan tetapi peran peramalan diperlukan untuk pertimbangan dalam pengambilan keputusan, karena dengan melakukan peramalan para perencana dan pengambil keputusan dapat mempertimbangkan alternatif-alternatif yang lebih luas daripada tanpa peramalan. Peramalan penjualan sangat penting dalam mengkaji situasi dan kondisi pada masa depan dan dapat digunakan untuk memperkirakan apa yang akan terjadi di masa mendatang. Dengan melihat pada kondisi data di masa sekarang hal ini diperlukan untuk dapat melaksanakan kebijaksanaan yang akan di ambil perlu melakukan perkiraan akan kesempatan atau peluang yang ada. Berdasarkan definisi dan kegunaan yang telah dijabarkan, maka PT S-IK Indonesia yang merupakan perusahaan yang bergerak dalam bidang manufaktur yaitu Plastic Coloring and Compounding (pewarnaan dan perancangan/peracikan
bahan baku plastik), perlu menerapkan peramalan penjualan dengan menggunakan pendekatan peramalan yang ada guna untuk mendapatkan suatu perencanaan yang baik untuk mencapai target yang ingin dicapai oleh perusahaan serta meningkatkan kualitas dan kuantitas penjualannya. Selama ini PT S-IK Indonesia dalam menerapkan peramalan penjualannya masih menggunakan metode kualitatif, yakni metode peramalan berdasarkan intuisi atau pertimbangan seorang manajer dalam pengambilan keputusan. Dimana dalam hal ini, PT S-IK Indonesia hanya menggunakan informasi-informasi yang ada untuk meramalkan kondisi penjualannya di masa yang akan datang. Informasi itu diperolehnya dari setiap konsumen yang menggunakan bahan baku plastik yang di olah oleh PT S-IK Indonesia. Oleh karena itu melalui penelitian ini peneliti berusaha untuk memberikan sebuah usulan atau alternatif peramalan penjualan dengan menggunakan pendekatan peramalan kointegrasi. Dimana pendekatan ini perhitungannya
berdasarkan
analisis
hubungan
numerik
dari
data-data
sebelumnya. PT S-IK Indonesia dalam kegiatan operasionalnya mengolah delapan jenis bahan baku plastik, meliputi PP (Polypropylene), ABS (Acrylonitrile Butadiene Stryrene),
PS
(Polystyrene),
PMMA
(Polymethyl
methacrylate),
PE
(Polyethylene), POM (Polyacetal / Polyoxymethylene), PA (Polyamide) dan PC (Polycarbonate). Masing-masing bahan baku plastik tersebut memiliki kegunaan yang berbeda-beda sesuai dengan karakteristik yang terkandung di dalamnya. PT S-IK Indonesia sangat mengedepankan kualitas produk yang dihasilkan guna untuk mempertahankan konsumen yang menggunakan produk-produk tersebut. Bahan baku plastik yang akan diramalkan pada penelitian kali ini adalah hanya mengambil tiga sampel bahan baku plastik yang terdapat pada PT S-IK Indonesia yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene). Bahan baku plastik berjenis ABS dan PS ini kegunaannya hampir sama akan tetapi tidak luput dari karakteristik yang di kandung di dalamnya yaitu cenderung digunakan untuk menghasilkan produk-produk elektronik seperti casing atau rangka dari produk elektronik. Sedangkan bahan baku plastik berjenis PP cenderung digunakan untuk menghasilkan produk-produk otomotif, misalnya dashboard mobil, bemper mobil, kedudukan lampu mobil, dll.
Karena konsumen dari PT S-IK Indonesia rata-rata perusahaan yang bergerak dalam bidang elektronik dan otomotif, maka ketiga bahan baku plastik tersebut lebih sering di pesan oleh konsumen dengan kata lain ketiga bahan baku plastik tersebut merupakan bahan baku plastik utama pada PT S-IK Indonesia.
Gambar 1. Grafik penjualan produk ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) selama 5 tahun terakhir Dilihat dari grafik di atas, volume penjualan ketiga komoditi tersebut di setiap tahunnya berfluktuatif, oleh karena itu PT S-IK Indonesia memerlukan suatu pendekatan untuk melihat ramalan penjualan pada beberapa periode kedepan serta mengetahui hubungan dan pengaruh antar komoditinya. Pendekatan yang digunakan untuk melihat hubungan antar komoditi dalam penelitian ini yaitu Pendekatan kointegrasi. Sedangkan analisis yang digunakan untuk menghitung ramalan penjualan pada penelitian ini yaitu analisis dekomposisi varian atau dikenal dengan Forecasting Error Variance Decomposition (FEVD), yaitu meramalkan penjualan produk dengan memperhatikan besarnya pengaruh produk tertentu terhadap produk lainnya. Hasil peramalan dapat dijadikan gambaran dan acuan oleh PT S-IK Indonesia dalam hal mengontrol penjualan dari ketiga komoditi tersebut untuk prospek penjualan beberapa periode ke depan.
1.2. Perumusan Masalah Berdasarkan latar belakang pada penelitian ini, maka permasalahan yang di bahas yaitu sebagai berikut: 1.
Menganalisis bagaimana hubungan kointegrasi antar ketiga komoditas ABS (Acrylonitrile
Butadiene
Stryrene),
PP
(Polypropylene)
dan
PS
(Polystyrene)? 2.
Bagaimana peramalan penjualan ABS, PP dan PS untuk satu tahun ke depan?
1.3. Tujuan Penelitian Berdasarkan permasalahan yang telah dirumuskan, maka penelitian ini bertujuan untuk: 1.
Menganalisis hubungan kointegrasi antara ketiga komoditas yaitu ABS (Acrylonitrile
Butadiene
Stryrene),
PP
(Polypropilene)
dan
PS
(Polystyrene). 2.
Menganalisis peramalan penjualan satu tahun ke depan dari komoditas ABS, PP dan PS.
1.4. Manfaat Penelitian Penelitian ini diharapkan dapat memberikan informasi dan masukan bagi berbagai pihak yang berkepentingan, diantaranya: 1.
Bagi PT. S-IK Indonesia, dapat dijadikan sebagai bahan pertimbangan dalam mengambil suatu keputusan dan dapat mengetahui proyeksi peramalan penjualan serta pengaruh dan hubungan antar produk terutama pada komoditas ABS, PP dan PS untuk periode selanjutnya.
2.
Bagi peneliti lain, dapat dijadikan referensi bagi pihak perpustakaan sebagai bahan bacaan bagi mahasiswa yang membutuhkan untuk lebih memahami pengaplikasian
metode
peramalan
dengan
menggunakan
metode
kointegrasi. 3.
Bagi penulis, membantu penulis untuk melatih menganalisa suatu permasalahan serta mengaplikasikannya dalam penelitian ini berdasarkan ilmu dan pengetahuan yang telah diperoleh penulis di masa perkuliahan.
1.5. Ruang Lingkup Ruang lingkup pada penelitian ini dibatasi hanya menganalisis peramalan penjualan tiga komoditas yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene) dengan menggunakan metode kointegrasi. Data yang digunakan pada penelitian ini diambil dari tahun 2006 sampai 2010 dengan menggunakan alat analisis Vector Error Correction Model (VECM) dan untuk
mendapatkan
peramalannya
digunakan
Forecast
Error
Variance
Decomposition (FEVD). Perusahaan yang diteliti adalah PT S-IK Indonesia.
II. TINJAUAN PUSTAKA
2.1. Plastik Plastik merupakan bahan yang terbentuk dari produk polimerisasi sintetik atau semi-sintetik yang mempunyai sifat-sifat unik dan luar biasa. Polimer sendiri adalah rantai berulang dari atom yang panjang, terbentuk dari pengikat yang berupa molekul identik yang disebut monomer. Jika monomernya sejenis disebut homopolimer, dan jika monomernya berbeda akan menghasilkan kopolimer. Proses polimerisasi yang menghasilkan polimer berantai lurus mempunyai tingkat polimerisasi yang rendah dan kerangka dasar yang mengikat antar atom karbon dan ikatan antar rantai lebih besar daripada rantai hidrogen. Bahan yang dihasilkan dengan tingkat polimerisasi rendah bersifat kaku dan keras (Mujiarto, 2005). Plastik merupakan polimer rantai panjang atom mengikat satu sama lain. Rantai ini membentuk banyak unit molekul berulang, atau monomer. Plastik yang umum terdiri dari polimer karbon saja atau dengan oksigen, nitrogen, chlorine atau belerang di tulang belakang. Bahan baku pembuatan plastik adalah minyak dan gas sebagai sumber alami. Dalam perkembangannya minyak dan gas ini mulai digantikan oleh bahanbahan sintetis sehingga dapat diperoleh sifat-sifat plastik yang diinginkan dengan cara kopolimerisasi, laminasi, dan ekstruksi. Polimer alam yang telah kita kenal antara lain: selulosa, protein, karet alam dan sejenisnya. Pada awal mula perkembangannya polimer alam hanya digunakan untuk membuat perkakas dan senjata, tetapi keadaan ini hanya bertahan hingga akhir abad 19 dan selanjutnya manusia mulai memodifikasi polimer menjadi plastik. Plastik yang pertama kali dibuat secara komersial adalah nitroselulosa. Material plastik ini telah berkembang pesat dan sekarang mempunyai peranan yang sangat penting dibidang elektronika, pertanian, tekstil, transportasi, furniture, konstruksi, kemasan kosmetik, mainan anak-anak dan produk-produk industri lainnya. Untuk membuat barang-barang plastik agar mempunyai sifat-sifat seperti yang dikehendaki, maka dalam proses pembuatannya selain bahan baku utama diperlukan juga bahan tambahan aditif. Penggunaan bahan tambahan ini beraneka ragam tergantung pada bahan baku yang digunakan dan mutu produk yang akan
dihasilkan. Berdasarkan fungsinya maka bahan tambahan atau bahan pembantu proses dapat dikelompokkan menjadi: bahan pelunak (plasticsizer), bahan penstabil (stabilizer), bahan pelumas (lubricant), bahan pengisi (filler), pewarna (colorant), antistatic agent, blowing agent, flame. Bahan aditif yang ditambahkan tersebut disebut komponen non-plastik yang berupa senyawa anorganik yang memiliki berat molekul rendah. Bahan aditif dapat berfungsi sebagai pewarna, antioksidan, penyerap sinar UV, anti lekat, dll. Secara garis besar, plastik dapat dikelompokkan menjadi dua golongan, yaitu: plastik thermoplast dan plastik thermoset. Plastik thermoplast adalah plastik yang dapat dicetak berulang-ulang dengan adanya panas. Yang termasuk plastik thermoplast antara lain : PE, PP, PS, ABS, SAN, nylon, PET, BPT, Polyacetal (POM), PC dll. Sedangkan palstik thermoset adalah plastik yang apabila telah mengalami kondisi tertentu tidak dapat dicetak kembali karena bangun polimernya berbentuk jaringan tiga dimensi. Yang termasuk plastic thermoset adalah PU (Poly Urethene), UF (Urea Formaldehyde), MF (Melamine Formaldehyde), polyester, epoksi dll. Penggunaannya tidak saja untuk keperluan rumah tangga, tetapi juga meluas kepada
kemasan,
bangunan
dan
konstruksi,
alat-alat
elektronika
dan
telekomunikasi, alat-alat listrik, alat-alat kantor dan sekolah, alat-alat kedokteran, sandang dan dekorasi, transportasi dan mainan anak-anak. Plastik sering dipakai dalam bentuk barang-barang yang bersifat dipakai buang, seperti lapisan pengemas, namun ditemukannya juga pemakaianya dalam bahan-bahan yang tahan lama. Tabel 1 memperlihatkan pembagian plastik dari material atau bahan baku yang digunakan. Tabel 1. Macam-macam Plastik Kode
Tipe Plastik PET (Polyethylene Terephthalate)
HDPE (High Density Polyethylene)
Sifat Bening, tangguh, tahan terhadap larutan kimia, kedap air dan gas, tahan terhadap temperatur hingga 80oC Semi fleksibel-keras, tahan terhadap larutan kimiadan lembab, permukaan licin, buram, mudah diwarnai, tahan terhadap temperatur sampai 75oC
Kegunaan Botol air mineral dan softdrink, plastik biskuit, botol selai Shopping bag, kotak es cream, gelas jus, botol kimia, bungkus detergent, ember
Lanjutan Tabel 1. Macam-macam Plastik Kode
Tipe Plastik
PVC (Polyvinyl chloride)
Sifat PVC U (Unplasticised) : Kuat, tangguh, tahan terhadap temperatur hingga 80oC PVC P (Plasticised): Fleksibel, tidak tahan larutan kimia
LDPE (Low Density Polyethylene)
PP (Polypropylene)
Lunak, fleksibel, permukaan licin, bening, gampang tergores, tahan temperatur hingga 70oC Keras – fleksibel, permukaan licin, bening/jernih, tahan terhadap larutan kimia, tahan temperatur hingga 140oC
Clear, seperti gelas, kaku, buram/ berwarna, tahan PS (Polystyrene) temperatur hingga 95oC, tidak tahan terhadap larutan kimia Pada dasarnya, item ini merupakan kombinasi dari jenis-jenis plastik yang ada, contoh: SAN, ABS, PC Other SAN: Styrene Acrylonitrile ABS: Acrylonitrile Butadiene Styrene PC: Polycarbonate Sumber: http://www.plastics.org.nz
Kegunaan Kotak komestik, pipa air – fitting, pelapis tembok (dempul) Selang air, sol sepatu, kantong darah, tubing, wire insulation, tali jam Plastik pembungkus nasi, plastik sampah, tempat sampah, selang irigasi, wrapping Serbaguna, wadah untuk pemanasan microwaves, kotak makanan, botol isi ulang, tube CD case, plastic cutlery (sendok garpu, pisau) Part kendaraan, casing monitor, botol minuman, botol kecap, packaging
2.2. Bahan Baku Plastik Thermoplast POLYPROPYLENE (PP) Polypropylene merupakan polimer kristalin yang dihasilkan dari proses polimerisasi gas propilena. Propilena mempunyai specific gravity rendah dibandingkan dengan jenis plastik lain.
POLYSTIRENE (PS) Polistirene adalah hasil polimerisasi dari monomer-monomer stirena, dimana monomer stirena-nya didapat dari hasil proses dehidroge nisasi dari etil benzene (dengan bantuan katalis), sedangkan etil benzene-nya sendiri merupakan hasil reaksi antara etilena dengan benzene (dengan bantuan katalis). ACRYLONITRILE BUTADIENE STYRENE (ABS) Acrylonitrile butadiene styrene (akrilonitril butadiene stirena, ABS) termasuk kelompok engineering thermoplastic yang berisi 3 monomer pembentuk. Akrilonitril bersifat tahan terhadap bahan kimia dan stabil terhadap panas. Butadiene memberi perbaikan terhadap sifat ketahanan pukul dan sifat liat (toughness). Sedangkan stirena menjamin kekakuan (rigidity) dan mudah diproses. Beberapa grade ABS ada juga yang mempunyai karakteristik yang bervariasi, dari kilap tinggi sampai rendah dan dari yang mempunyai impact resistance tinggi sampai rendah. Berbagai sifat lebih lanjut juga dapat diperoleh dengan penambahan aditif sehingga diperoleh grade ABS yang bersifat menghambat nyala api, transparan, tahan panas tinggi, tahan terhadap sinar UV, dll. POLYVINYL CHLORIDE (PVC) Polyvinyl chloride (PVC) merupakan hasil polimerisasi monomer vinil klorida dengan bantuan katalis. Pemilihan katalis tergantung pada jenis proses polimerisasi yang digunakan. POLYACETAL ATAU POLYOXYMETHYLENE (POM) Polyacetal merupakan salah satu engineering plastic yang penting yang banyak digunakan di bidang eletronik, bangunan dan sector alat-alat tehnik. Ada 2 tipe poliasetal yaitu homopolimer dan kopolimer. Asetal homopolimer merupakan polimer kristalin yang dibuat dari formaldehida. Resin ini secara tehnis disebut polioksi metilena (POM). Asetal homopolimer dapat dicampur daengan aditif seperti: antioksidan, lubrikan, filler, pewarna, UV stabilizer, dll. Resin ini aslinya berwarna putih buram. POLYCARBONATE (PC) Polycarbonate merupakan engineering plastic yang dibuat dari
reaksi
kondensasi bisphenol A dengan fosgen dalam media alkali. Polikarbonat
mempunyai sifat-sifat: jernih seperti air, impact strength-nya sangat bagus, ketahanan terhadap pengaruh cuaca bagus, suhu penggunaannya tinggi, mudah diproses, flameabilitasnya rendah. POLIAMIDA (NYLON) Nylon merupakan istilah yang digunakan terhadap poliamida yang mempunyai sifat-sifat dapat dibentuk serat, film dan plastik. Struktur nylon ditunjukkan oleh gugus amida yang berkaitan dengan unit hidrokarbon ulangan yang panjangnya berbeda-beda dalam suatu polimer. POLYETHYLENE PEREPHTALATE (PET) Polyethylene terephtalate yang sering disebut PET dibuat dari glikol (EG) dan terephtalic acid (TPA) atau dimetyl ester atau asam terepthalat (DMT) Sifatsifat PET: PET merupakan keluarga polyester seperti halnya PC. Polymer PET dapat diberi penguat fiber glass, atau filler mineral. PET film bersifat jernih, kuat, liat, dimensinya stabil, tahan nyala api, tidak beracun, permeabilitas terhadap gas, aroma maupun air rendah. 2.3. Teori Peramalan Menurut Heizer dan Render (2006), peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan mendapatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat subjektif. Atau bisa juga dengan menggunakan kombinasi model matematis yang sesuai dengan pertimbangan yang baik dari seorang manajer. Aktivitas peramalan merupakan suatu fungsi bisnis yang berusaha memperkirakan penjualan dan penggunaan produk sehingga produk-produk itu dapat dibuat dalam kuantitas yang tepat. Dengan demikian peramalan merupakan suatu dugaan terhadap permintaan yang akan datang berdasarkan pada beberapa variable peramal, sering berdasarkan data deret waktu historis (Vincent, 2001). Menurut Hanke et, al. (2003), tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan di bandingkan dengan tebakan non-ilmiah. Tebakan ilmiah yaitu peramalan yang berdasarkan metode-metode manipulasi data secara logis yang dihasilkan dari kejadian-kejadian masa lalu. Penggunaan teknik
peramalan diawali dengan pengeksplorasian pola data pada masa lalu guna mengembangkan model yang sesuai dengan pola data itu dengan menggunakan asumsi bahwa pola data pada masa lalu itu akan berulang lagi pada waktu yang akan datang. Hasil pengolahan data masa lalu akan menjadi tolak ukur perusahaan untuk membuat perencanaan langkah langkah yang akan diambil oleh perusahaan. Tujuan peramalan adalah mengurangi rentang ketidakpastian dimana pendapat pribadi (judgement) manajemen yang harus diambil. Tujuan ini mengarah kepada dua aturan utama yang harus diperhatikan pada proses peramalan: 1.
Peramalan harus secara teknik benar dan menghasilkan peramalan cukup akurat dalam memenuhi kebutuhan perusahaan.
2.
Prosedur peramalan dan hasilnya harus secara efektif disajikan kepada manajemen sehingga peramalan dapat dipakai dalam proses pengambilan keputusan demi keuntungan perusahaan dan hasilnya juga harus dijustifikasi berbasis biaya manfaat. Pertimbangan yang terakhir seringkali disalah-artikan dan dapat membuat
frustasi forecaster (peramal) professional. Namun jika ramalan akan digunakan untuk keuntungan perusahaan, maka mereka yang mempunyai wewenang harus memanfaatkannya. 2.4. Pendekatan dalam Peramalan Menurut Heizer dan Render (2006), terdapat pendekatan umum peramalan, yaitu analisis kuantitatif dan analisis kualitatif. Peramalan kuantitatif (quantitative forecast) menggunakan model matematis yang beragam dengan data masa lalu dan variable sebab akibat untuk meramalkan permintaan. Peramalan subjektif atau kualitatif (qualitative forecast) menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi, dan sistem ilai pengambil keputusan untuk meramal. Menurut Gujarati (2003), ada lima pendekatan dalam peramalan ekonomi berbasis data runtut waktu. Kelima pendekatan tersebut adalah: 1.
Exponential smoothing method Merupakan prosedur yang berkesinambungan merevisi ramalan dalam hal pengalaman yang lebih terkini. Metode ini berbasis rerata (pemulusan) nilai
lampau deret secara menurun (eksponensial). Pemulusan eksponensial sederhana menyediakan rata-rata bergerak tertimbang secara eksponensial semua nilai pengamatan yang lalu. 2.
Single-equation regression method Metode ini disebut juga analisis regresi sederhana yaitu hanya memiliki satu variabel dependen dan satu variabel independen.
3.
Simultaneous-equation regression model Metode ini disebut juga analisis regresi berganda yaitu
melibatkan
penggunaan lebih dari satu variabel bebas dalam prediksi variabel terikat. 4.
Autoregressive integrated moving average (ARIMA) model Model ARIMA berasal dari gabungan antara AR (autoregression) dan MA (Moving Average) yang sudah didiferen. Konsep ini mendasar pada asumsi bahwa “data speak for themselves”, karena nilai data pada masa sekarang dipengaruhi oleh nilai data pada masa-masa sebelumnya.
5.
Vector Auto Regression (VAR) Vector Auto Regression (VAR) merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan sistem variabelvariabel runtut waktu maupun untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. Selain itu, VAR Analisis juga merupakan alat analisis yang sangat berguna, baik di dalam memahami adanya hubungan timbal balik (interrelationship) antara variabel-variabel ekonomi maupun di dalam pembentukan model ekonomi berstruktur.
2.5. Peramalan Penjualan Peramalan penjualan sangat penting dalam mengkaji situasi dan kondisi pada masa depan dan dapat digunakan untuk memperkirakan apa yang akan terjadi di masa mendatang. Dengan melihat pada kondisi data di masa sekarang hal ini diperlukan untuk dapat melaksanakan kebijaksanaan yang akan di ambil perlu melakukan perkiraan akan kesempatan atau peluang yang ada. Menurut Keown, et al. (2004), unsur-unsur pokok dalam proses perencanaan perusahaan adalah meramalkan penjualan. Perhitungan ini biasanya
dihasilkan dengan informasi dari berbagai sumber. Paling sedikit, perkiraan penjualan untuk tahun depan akan mencerminkan: 1.
Kecenderungan penjualan masa lalu yang diharapkan akan terulang lagi pada tahun berikutnya
2.
Pengaruh setiap peristiwa apapun yang mungkin secara material mempengaruhi kecenderungan itu.
2.6. Kointegrasi Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan (Engle dan Granger, 1987). Tetapi, proses ini justru akan menghilangkan hubungan jangka panjang yang mungkin terdapat dalam variabel-variabel time series yang diteliti dan hanya memberikan hubungan jangka pendek time series. Disinilah penting nya proses kointegrasi dimana konsep ini membantu memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan time series non-stasioner. Dengan kata lain konsep ini mengatakan bahwa apabila terdapat dua atau lebih time series yang tidak stasioner (mempunyai unit roots) dan terintegrasi pada orde yang sama serta residunya bersifat stasioner sehingga tidak ada korelasi seri di dalamnya (white nose), maka time series tersebut dinamakan terkointegrasi. Didalam konsep kointegrasi ini terdapat beberapa hal penting yang perlu diperhatikan, yaitu (Enders, 2004): 1.
Kointegrasi merupakan kombinasi linear dari dua atau lebih dari time series yang tidak stasioner. Vektor kointegrasi dari kombinasi linear tersebut tidak unik karena dengan suatu konstanta yang tidak nol (λ), maka λβ juga benar sebagai vektor kointegrasi. Oleh karena itu, biasanya salah satu besaran digunakan untuk normalisasi vektor kointegrasi dengan menetapkan koefisiennya menjadi satu.
2.
Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua variabel yang terintegrasi pada orde yang sama terkointegrasi.
3.
Bila vektor
mempunyai n komponen, maka akan ada n-1 vektor
kointegrasi linear yang tidak tergantung satu dengan yang lainnya. Jumlah
vektor kointegrasi ini dinamakan peringkat kointegrasi (cointegration rank), biasanya dilambagkan dengan r. Sifat penting yang terdapat dalam variabel-variabel yang terkointegrasi adalah perjalanan waktu variabel-variabel tersebut dipengaruhi oleh perubahan atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabelvariabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi akan menjadi stasioner dalam jangka panjang (Enders, 2004). 2.7. Vector Auto Regression (VAR) Vector Auto Regression atau yang lebih dikenal dengan VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linear dari konstanta dan nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada di dalam sistem (Agung, 2009). Jadi, peubah penjelas dalam VAR meliputi nilai lag seluruh peubah tak bebas dalam sistem. Model ini dikembangkan oleh Cristoper Sims pada tahun 1980. Model ini dasarnya hampir sama dengan model untuk menguji Granger’s Causality. Model VAR adalah model a-theory terhadap teori ekonomi. Namun demikian model ini sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi (Enders, 2004). Model ini juga menjadi dasar mnculnya metode co-integrasi Johansen yang sangat baik dalam menjelaskan perilaku variabel dalam perekonomian. Keunggulan dari metode VAR antara lain sebagai berikut (Gujarati, 2003): 1.
Metode ini sederhana, tanpa harus membedakan mana variabel endogen dan variabel eksogen;
2.
Estimasinya sederhana, dimana metode OLS biasa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah;
3.
Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan semu (spurious variabel endogenity dan exogenity) di dalam model ekonometrik konvensional terutama pada persamaan simultan, sehingga menghindari penafsiran yang salah;
4.
Hasil pemikiran (forecast) yang diperoleh dengan menggunakan metode ini dalam banyak kasus lebih bagus dibandingkan dengan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun. Selain itu, analisis VAR juga merupakan alat analisis yang sangat berguna, baik di dalam memahami adanya hubungan timbal balik (interrelationship) antara variabel-variabel ekonomi, maupun di dalam pembentukan model ekonomi berstruktur. Sekalipun model VAR banyak memiliki kelebihan, namun model ini tetap
mempunyai sisi lemah. Ada beberapa kelemahan yang dimiliki model tersebut antara lain : 1.
Model VAR bersifat a-theory karena tidak memanfaatkan informasi atau teori terdahulu. Oleh karena itu model VAR sering disebut model yang tidak struktural.
2.
Model VAR tidak cocok untuk menganalisis kebijakan karena tujuan utama model ini adalah untuk peramalan
3.
Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan permasalahan. Misalnya kita mempunyai tiga variabel bebas dengan masing-masing lag sebanyak delapan. Hal tersebut berarti kita harus mengestimasi paling sedikit 24 parameter. Untuk kepentingan tersebut, kita harus mempunyai data atau pengamatan yang relatif banyak.
4.
Semua variabel dalam VAR harus stasioner, jika tidak stasioner, maka harus ditransformasi terlebih dahulu.
5.
Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
2.8. Analisis Vector Error Correction Model (VECM) VECM adalah suatu analisis untuk melakukan rekonsiliasi perilaku peubah ekonomi jangka panjang dan peubah ekonomi jangka pendek (Gujarati 1995). Untuk itu, peubah-peubah di dalam VECM memiliki spesifikasi hubungan jangka panjang atau kointegrasi. Hubungan dinamis jangka pendek antar peubah dalam sistem dipengaruhi oleh deviasi/penyimpangan dari keseimbangan jangka panjang. Model VECM berguna untuk mengukur kecepatan deviasi kembali ke keseimbangan.
VECM mempunyai hubungan kointegrasi yang dibangun melalui spesifikasi perilaku jangka panjang dari variabel-variabel endogen untuk menuju (converge) ke hubungan jangka panjangnya, serta memungkinkan dilakukan penyesuaian jangka pendek secara dinamik. Sebagai contoh, digunakan sistem dua variabel yang memiliki suatu persamaan kointegrasi tanpa turunan dalam bentuk lag (Subagjo, 2005). 2.9. Impulse Response Function (IRF) Impulse resnponse function (IRF) adalah metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan (shocks) variabel tertentu. IRF menunjukkan respon dari setiap variabel endogen sepanjang waktu terhadap guncangan dari variabel itu sendiri dan variabel endogen lainnya. IRF juga mengidentifikasikan suatu guncangan pada suatu variabel endogen sehingga dapat menetukan bagaimana suatu perubahan yang tidak diharapkan
dalam
variabel mempengaruhi variabel lainnya sepanjang waktu. Hasil IRF sangat sensitif terhadap pengurutan (ordering) variabel yang digunakan dalam perhitungan.pengurutan variabel yang didasarkan pada faktorisasi chelosky dilakukan dengan catatan variabel yang memiliki nilai prediksi terhadap variabel lain yang diletakkan di depan berdampingan satu sama lainnya. Sedangkan, variabel yang tidak memiliki nilai prediksi terhadap variabel lain diletakkan paling belakang, kemudian variabel lainnya diletakkan di antara kedua variabel tersebut berdasarkan nilai matriks korelasi yang menyatakan tingkat korelasi paling besar. Selain itu, IRF juga digunakan untuk mengetahui berapa lama pengaruh shock dari satu variabel terhadap variabel lain tersebut tejadi. IRF juga bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik artinya variabel ekonomi hanya dipengaruhi oleh guncangan tertentu saja. Apabila hal tersebut tidak dilakukan maka guncangan spesifik tersebut tidak dapat diketahui dan yang dapat diketahui adalah guncangan secara umum. 2.10. Forecast Error Variance Decompisition (FEVD) Variance Decompotition atau disebut juga forecast error variance decompotition merupakan perangkat pada model VAR/VECM yang akan memisahkan variasi dari sejumlah variabel yang diestimasi menjadi komponen-
komponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi. Kemudian, variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode ke depan. Forecast error variance decompotition menggambarkan proporsi pergerakan dari σy(n)2 terhadap shock dari suatu variabel kepada variabel lainnya (Enders, 2004). Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur dinamis dalam model VAR. Dimana dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang. FEVD mencirikan ragam dari peramalan galat menjadi 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 2.11. Penelitian Terdahulu Pratama (2009) dalam skripsinya yang berjudul Integrasi Pasar Obligasi Negara Di Antara Negara-negara ASEAN+6. Dalam penelitian ini model yang digunakan adalah model analisis Vector Autoregression (VAR). Model VAR ini memiliki analisis lanjutan yaitu impulse response finction (IRF) dan forecasting error variance decomposition (FEVD). Dimana peneliti ingin menganalisis hubungan pasar obligasi diantara negara-negara ASEAN+6. Kesimpulan yang telah di dapat yaitu berdasarkan hasil analisis VECM, pada analisis IRF terlihat bahwa adanya hubungan di antara pasar obligasi negara-negara ASEAN+6. Hal ini dijelaskan dengan adanya respon yang dapat dilihat berupa fluktuasi yield yang terjadi dalam jangka pendek akibat guncangan yng terjadi dalam pasar obligasi negara-negara ASEAN+6. Hal ini merupakan hubungan yang dinamis di antara negara-negara ASEAN+6. Sedangkan berdasarkan hasil analisis FEVD
untuk kawasan ASEAN+6 maupun dengan Amerika Serikat diketahui bahwa negara yang dominan dalam mempengaruhi fluktuasi yield obligasi negara dari negara-negara ASEAN+6 maupun Amerika Serikat adalah Australia. Dari hasil analisis IRF dan FEVD juga diketahui bahwa hubungan yang terjadi di antara masing-masing pasar obligasi negara ASEAN+6 adalah relatif sangat lemah. Julivanto (2009) dalam skripsinya yang berjudul Dinamika Ekspor Karet Alam Indonesia. Dalam penelitiannya dinamika ekspor karet alam Indonesia dianalisis dengan menggunakan metode analisis Vector Autoregression (VAR) dan Vector Error Correction Model (VECM) yang menyimpulkan bahwa faktor-faktor yang mempengaruhi volume ekspor karet alam Indonesia adalah produksi karet alam Indonesia, harga karet alam Indonesia, harga minyak mentah dunia, dan nilai tukar Rupiah terhadap Dollar. Guncangan terhadap variabel produksi karet alam paling mempengaruhi volume ekspor karet, hal ini dapat dilihat ketika terjadi guncangan respon volume ekspor karet terhadap variabel tersebut paling signifikan. Volume ekspor karet alam Indonesia sangat dipengaruhi oleh produksi karet alam Indonesia. Pada jangka pendek volume ekspor karet alam Indonesia dipengaruhi oleh volume ekspor dan produksi karet alam Indonesia. Namun pada jangka panjang volume ekspor karet alam lebih besar dipengaruhi oleh produksi karet alam Indonesia sebesar 56 persen. Variabel produksi karet alam pada kenyataannya jarang mengalami guncangan karena sifat tanaman karet yang merupakan tanaman tahunan. Variabel lain yang sering mengalami guncangan seperti harga karet dan harga minyak mentah tidak memiliki pengaruh yang signifikan terhadap volume ekspor karet alam Indonesia. Dan dinamika ekspor karet Indonesia tidak terlalu besar pengaruhnya terhadap perubahan volume ekspor Indonesia.
III. METODE PENELITIAN
3.1. Kerangka Pemikiran Penelitian Perusahaan merupakan suatu badan hukum yang memiliki suatu tujuan yang ingin dicapai salah satunya yaitu mendapatkan keuntungan. Untuk mencapai tujuan tersebut maka perusahaan harus memiliki target tertentu sebagai sasaran perusahaan untuk mencapai kelangsungan hidup dan pertumbuhan yang semakin baik dari waktu ke waktu. Target yang ingin dicapai tersebut dirumuskan dalam suatu perencanaan berdasarkan kondisi perusahaan yang ada. Untuk mendapatkan suatu perencanaan yang baik, dibutuhkan suatu prediksi terhadap keadaan masa depan yang disebut peramalan. Hasil peramalan tidak pernah secara mutlak tepat, akan tetapi peran peramalan diperlukan untuk pertimbangan dalam pengambilan keputusan karena dengan melakukan peramalan para perencana dan pengambil keputusan dapat mempertimbangkan alternatif-alternatif yang lebih luas daripada tanpa peramalan. Mengetahui hubungan dan pengaruh antar setiap komoditi adalah salah satu permasalahan yang perlu dikaji dan diteliti selain mengetahui hasil ramalannya. Dengan melakukan analisis kointegrasi, perusahaan dapat mengetahui hubungan dan pengaruh satu komoditas terhadap komoditas lainnya, sehingga perusahaan dapat mengontrol penjualan setiap komoditasnya. Peramalan penjualan dengan melihat hubungan dan pengaruh antar komoditas dibutuhkan bagi perusahaan untuk membantu perusahaan sebagai bahan pertimbangan dalam pengambilan keputusan dan untuk merencanakan langkah-langkah selanjutnya dalam rangka meningkatkan kualitas dan kuantitas penjualannya. Berikut adalah bagan alur pemikiran dapat dilihat pada Gambar 2.
PT. S-IK Indonesia
Mengetahui peramalan penjualan dan hubungan antar produk
Data Penjualan ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene) dan PS (Polystyrene) tahun 2006 - 2010
Analisis Kointegrasi : 1. Uji Stasioneritas 2. Uji Kausalitas Granger 3. Uji Lag Optimum 4. Uji Kointegrasi 5. Pemodelan VAR/VECM 6. Uji Stabilitas 7. Impuls Respon Function (IRF) 8. Forecast Error Variance Decomposition (FEVD)
Hasil Analisis
Implikasi Manajerial
Gambar 2. Kerangka penelitian
3.2. Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di PT S-IK Indonesia yang berlokasi di Ejip Industrial Park Plot 4L, Cikarang Selatan Bekasi 17550 Indonesia. Waktu penelitian ini dimulai pada bulan Januari 2011 sampai dengan bulan Maret 2011. 3.3. Metode Pengumpulan Data Informasi dan pengumpulan data yang dikumpulkan meliputi data primer dan sekunder. Data primer diperoleh dari hasil wawancara dengan pihak PT S-IK Indonesia. Sedangkan data sekunder diperoleh dari laporan internal perusahaan (data penjualan produk ABS, PP dan PS dari tahun 2006 hingga tahun 2010), baik itu berupa laporan penjualan bulanan dan tahunan serta data pelengkap dari data primer yang dikumpulkan dari literatur-literatur, studi pustaka, internet dan tulisan yang berkaitan dengan peramalan penjualan dan kointegrasi. 3.4. Pengolahan dan Analisis Data Data yang dikumpulkan kemudian diolah dan dianalisis sehingga mampu memberikan gambaran dan penjelasan terhadap permasalahan dalam penelitian ini. Model yang digunakan adalah model analisis Vector Error Correction Model (VECM). Data penjualan kemudian ditabulasikan dengan bantuan program komputer Microsoft Excel 2007, Eviews 6, dan Minitab 16. Pengolahan data pada penelitian ini yang pertama kali dilakukan yaitu uji stasioneritas data. Hal ini sangat penting untuk mengetahui apakah data-data yang digunakan dalam penelitian ini stasioner atau tidak serta mengetahui derajat kestasioneran
dari
data
tersebut.
Dalam
metode
VAR/VECM
derajat
kestasioneran dari suatu data sangat mempengaruhi penggunaan dari metode VAR atau metode VECM pada tahap selanjutnya. Apabila semua data stasioner pada tingkat level maka metode VAR yang digunakan, tetapi jika data yang digunakan tidak semuanya stasioner pada tingkat level maka metode VECM yang digunakan. Untuk memastikannya perlu dilakukan pengujian pada tingkat first difference. Besar kemungkinan terjadi hubungan kointegrasi antara variabel-variabel yang tidak stasioner pada tingkat level namun stasioner pada tingkat first difference, sehingga perlu dilakukan uji kointegrasi untuk memastikan adanya hubungan kointegrasi di antara variabel-variabel tersebut. Hubungan kointegrasi tersebut
dapat dimanfaatkan untuk mengetahui hubungan jangka panjang dengan menggunakan metode VECM. Selanjutnya dapat memanfaatkan alat analisa yang terdapat dalam metode VAR/VECM seperti Granger Causality Test, Forecast Error Variance Decomposition (FEVD), dan analisis Impuls Respon Function (IRF). 3.4.1. Uji Stasioneritas Data Data time series pada umumnya bersifat skokastik atau memiliki tren yang tidak stasioner artinya data tersebut mengandung akar unit. Untuk dapat mengestimasi suatu model menggunakan data tersebut maka langkah pertama yang harus dilakukan yaitu uji stasioneritas data atau dikenal dengan unit root test. Apabila data yang digunakan mengandung akar unit maka akan sulit untuk mengestimasi suatu model dengan menggunakan data tersebut karena tren data tersebut cenderung berfluktuasi tidak disekitar nilai rata-ratanya. Maka dapat disimpulkan bahwa data yang stasioner akan cenderung untuk mendekati nilai rata-ratanya dan berfluktuasi di sekitar nilai rata-ratanya (Gujarati, 2003). Uji akar unit dalam penelitian ini akan dilakukan dengan menggunakan Augmented Dickey Fuller (ADF). Keputusan hasil uji ADF ditentukan dengan melihat nilai statistik yang dibandingkan dengan nilai kritikal McKinnon, pada tingkat kritis yang telah ditentukan, 1 persen, 5 persen, atau 10 persen, maka H0 diterima yang berarti data mengandung akar unit atau tidak stasioner. Sebaliknya bila nilai statistik lebih kecil dari pada nilai kritis McKinnon maka H0 ditolah yang mengindikasikan bahwa data stasioner. Pengujian Augmented Dickey-Fuller (ADF) ini memodelkan pengaruh autokorelasi pada disturbance (memasukkan lag ΔX yang menyebabkan autokorelasi ke dalam model pengujian Augmented Dickey-Fuller) sehingga uji hipotesa pada parameter yang bisa diestimasi akan lebih akurat. Bentuk umum dari pengujian ini adalah (Enders, 2004): =α+β
+
+
t
+
............ (3.1)
Dimana panjang lag (p) ditentukan untuk menghasilkan bahwa disturbance error akan bersifat white noise.
Pemilihan lag dilakukan berdasarkan proses minimalisasi pengujian SIC (Schwartz Information Criterion), AIC (Akaike Information Criterion), dan atau signifikasi dari θt dan atau pengujian autokorelasi pada disturbance term (Enders, 2004). 3.4.2. Metode Pengujian Granger Causality Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stasioner mengalami kointegrasi atau tidak. Pengujian ini dilakukan dalam rangka memperoleh hubungan jangka panjang antara variabel yang telah memenuhi persyaratan dalam proses integrasi dimana semua variabel telah stasioner pada derajat yang sama yaitu first difference atau I(0). Hipotesis nol yang diuji menyatakan tidak adanya kausalitas diantara variabel sedangkan hipotesis alternatifnya menyatakan adanya hubungan kausalitas diantara variabel. Untuk menolak atau menerima hipotesis nol, maka dapat melihat nilai probabilitasnya yang dibandingkan dengan tingkat kepercayaan, pada penelitian ini menggunakan nilai kritis 5 persen. Jika nilai probabilitasnya lebih besar dari 5 persen maka hipotesis nol ditolak yang artinya terdapat hubungan kausalitas pada variabel-variabel yang diuji. 3.4.3. Pengujian Lag Optimal Langkah penting yang harus dilakukan dalam menggunakan model VAR/VECM adalah penentuan jumlah lag yang optimal yang digunakan dalam model. Dalam hal ini yang akan dibentuk terlebih dahulu adalah persamaan VAR, setelah mendapatkan lag optimal dan stabilitas VAR baru dapat dibentuk persamaan VECM-nya. Pengujian panjang lag yang optimal dapat memanfaatkan beberapa informasi yaitu dengan menggunakan Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Untuk dapat menentukan lag ini, maka langkah sebelumnya adalah menentukan nilai determinan dari kovarian residual (|Ω|) yang dapat dihitung sebagai berikut (Eviews 6 User’s Guide): = (det
t
) .......................................................(3.2)
Dimana p adalah angka parameter dari tiap persamaan dalam VAR. Selanjutnya, log likelihood value dengan mengasumsikan distribusi normal (Gaussian) dapat dihitung:
1 = - {k(1+log2π) + log|Ω|} .............................................(3.3) Dimana k adalah banyaknya parameter yang diestimasi dan T adalah jumlah observasi. Kemudian dilanjutkan dengan menggunakan nilai AIC, dan SC dipilih nilai yang terkecil. Rumus perhitungannya dapat dilihat dibawah ini (Eviews 6 User’s Guide): AIC -2(l/T)+2(k/T) ...................................(3.4) SC -2(l/T)+k log(T)/T .............................(3.5) 3.4.4. Uji Kointegrasi Salah satu asumsi yang harus dipenuhi dalam VAR adalah semua peubah tak bebas bersifat stasioner (Enders, 2004). Bila data tidak stasioner, maka perlu dilakukan uji kointegrasi. Langkah uji kointegrasi dengan mengaplikasikan metode Johansen, yang terdiri dari beberapa tahap, yaitu: 1. Menguji ordo integrasi semua variabel. Data perlu diplotkan untuk mengamati ada tidaknya trend yang linear. Disarankan tidak mencampur variabel dengan ordo yang berbeda. 2. Mengestimasi model dan menetapkan kondisi model. Kondisi model dapat dilakukan dalam tiga bentuk berikut: a. Semua elemen konstanta sama dengan nol (
=0)
b. Nilai
ditetapkan
c. Nilai
merupakan konstanta pada vektor kointegrasi
3. Menganalisis untuk mendapatkan vektor kointegrasi yang dinormalkan dan koefisien penyesuaian. 4. Menghitung faktor koreksi galat untuk membantu mengidentifikasi model struktural. Pada Eviews 6 suatu persamaan dikategorikan berkointegrasi apabila nilai trace statistic ataupun nilai maximum eigenvalue-nya lebih besar dari nilai kritis 5 persen. Dari uji kointegrasi dapat ditentukan jumlah persamaan yang tepat untuk mengestimasi VECM. Untuk menguji batasan kointegrasi, johansen mendefinisikan dua buah matriks α dan β dimensi (nxr) dimana r merupakan peringkat dari , sehingga: = α β....................(3.6)
Dimana: α=
matriks bobot dari setiap vektor kointegrasi yang ada didalam n persamaan VAR. α juga dapat dikatakan sebagai matriks parameter speed of adjusment (Enders, 2004)
β = matriks parameter kointegrasi Hipotesis dari metode Johansen adalah sebagai berikut (Enders, 2004): :r=0 :0
=
+
+
Δ
+
Dimana: π = αβ β = vektor kointegrasi berukuran n x 1
..............................(3.7)
α = vektor adjusment berukuran n x 1 Ф* = Pendugaan
parameter
dilakukan
dengan
menggunakan
metode
kemungkinan maksimum. Model VECM dapat dituliskan dalam model VAR dengan menguraikan nilai diferensiasi: Δ
=
.................................(3.8)
3.4.6. Uji Stabilitas model Uji stabilitas digunakan untuk melihat apakah model yang digunakan stabil atau tidak. Estimasi harus mempunyai validitas yang tinggi sehingga hasil nya dapat dipercaya. Hasil tersebut dapat dipercaya apabila model yang digunakan mempunyai stabilitas. Jika model VAR yang digunakan tidak stabil, maka hasil estimasi dengan menggunakan model VAR tidak memiliki tingkat validitas yang tinggi. Stabilitas dapat diartikan hasil estimasinya mendekati nol jika model diperpanjang periode waktunya. Sebuah model dikatakan memilik validitas yang tinggi jika inverse akar karakteristiknya mempunyai modulus kurang dari satu atau semuanya berada didalam lingkaran. Jika modulus nya kurang dari satu atau berada dalam lingkaran, maka model cukup stabil. Namun sebaliknya, jika modulus bernilai satu atau lebih dari satu, atau modulus kebanyakan berada diluar lingkaran maka dapat dipastikan bahwa model tersebut kurang stabil. Jika VAR tersebut memiliki tingkat stabilitas yang rendah atau semua inverse akar karakteristiknya berada diluar unit circle, maka hasil dari estimasi model VAR tersebut meragukan. 3.4.7. Impulse Response Function (IRF) Cara yang baik untuk mencirikan struktur dinamis dalam model adalah dengan menganalisa respon dari model terhadap guncangan (Enders, 2004). Ada dua cara dalam melakukan hal tersebut, yaitu dengan menganalisis Impulse Response Function (IRF) dan analisis Forecast Error Variance Decomposition (FEVD). IRF dapat meneliti hubungan antar variabel dengan menunjukkan bagaimana variabel endogen bereaksi terhadap sebuah shock dalam variabel itu sendiri dan variabel endogen lainnya.
IRF adalah suatu metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap suatu shock tertentu karena sebenarnya shock variabel misalnya ke-i tidak hanya berpengaruh terhadap variabel ke-i itu saja tetapi ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis atau struktur lag dalam VAR. Oleh karena itu, IRF juga dapat mengukur pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan dimasa yang akan datang. Analisis IRF (Impulse Rensponse Function) dilakukan untuk menilai respon dinamik variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene) dan PS (Polystyrene). Terhadap adanya guncangan (shock) variabel tertentu. IRF juga bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik artinya suatu variabel yang dapat dipengaruhi oleh guncangan tertentu. Apabila suatu variabel tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui melainkan shock secara umum. 3.4.8. Forecast Error Variance Decomposition (FEVD) Variance Decompotition atau disebut juga forecast error variance decompotition merupakan perangkat pada model VAR/VECM yang akan memisahkan variasi dari sejumlah variabel yang diestimasi menjadi komponenkomponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi. Kemudian, variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode ke depan. Forecast error variance decompotition menggambarkan proporsi pergerakan terhadap shock (guncangan) dari suatu variabel kepada variabel lainnya (Enders, 2004). Metode ini juga dapat melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabelvariabel lainnya. Metode ini mencirikan suatu struktur dinamis dalam model VAR. Dimana dalam metode ini dapat dilihat kekuatan dan kelemahan masingmasing 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 variabel yang memberikan kontribusi yang paling signifikan terhadap perubahan dari variabel tertentu. Dalam analisis ini variabel tersebut yaitu variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene).
IV. HASIL DAN PEMBAHASAN
4.1. Gambaran Umum Perusahaan PT S-IK (Sanyo Inabata Kako) Indonesia adalah salah satu pemain global yang bergerak dalam bidang Plastic Coloring and Compounding (pewarnaan dan perancangan/peracikan bahan baku plastik). Perusahaan yang berlokasi di East Jakarta Industrial Park (EJIP) No. Plot 4-L Cikarang Selatan, Bekasi 17550 ini didirikan pada tahun 1995 diatas tanah seluas 12.500 m². Luas tanah tersebut dibagi menjadi 3 bangunan yaitu bangunan untuk kantor yang memiliki luas tanah 460 m2, bangunan untuk pabrik yang memiliki luas tanah 2.160 m2, dan bangunan untuk gudang yang memiliki luas tanah 3.528 m2. Perusahaan ini memulai operasinya pada bulan April tahun 1996. Para pemegang saham (shareholder) dari PT S-IK Indonesia ini meliputi Inabata Singapore PTE.LTD., PT Inabata Indonesia, dan Sanyo Kako. Perusahaan ini diperkuat oleh para profesional dan ekspatriat dimana terdapat 230 karyawan yang bekerja di perusahaan tersebut, 3 diantaranya para ekpatriat dan 270 lainnya yaitu pegawai lokal, yang memiliki dedikasi tinggi terutama untuk menghasilkan produk dengan standar kualitas internasional. PT S-IK Indonesia sangat mengedepankan kualitas produk yang dihasilkan. Perusahaan ini telah memperoleh sertifikat dari International Organization for Standardization (ISO) yaitu sertifikat ISO 9001: 2000 yang berkaitan dengan kualitas produk. Selain sertifikat tersebut, PT. S-IK Indonesia juga telah memperoleh sertifikat penjaminan mutu (quality assurance) lainnya yaitu sebagai berikut:
ISO 9001: 2000
ISO 14001: 2004 CERTIFICATE NO : ID08/1201
TS 16949: 2002 CERTIFICATE IATF : 0078111
TS 16949: 2002 CERTIFICATE NO : ID09/1248
CERTIFICATE NO : ID08/1200
PT. S-IK Indonesia telah menerima sertifikasi ISO 9001: 2000 pada tahun 2000, sertifikasi ISO 14001: 2004 diterima pada tahun 2002, dan sertifikasi ISO TS 16949:2002 diterima pada tahun 2009. Sertifikasi ISO tersebut diperoleh dari Societe Generale Survaillance (SGS). Penerapan ISO 9001: 2000 diaudit secara
terus menerus. Setiap satu tahun sekali diadakan satu sampai dua kali audit internal dari PT. S-IK Indonesia itu sendiri. Adapun konsumen utama yang menggunakan produk yang dihasilkan oleh PT S-IK Indonesia. Berikut adalah nama-nama perusahaan yang menjadi konsumen utama PT S-IK Indonesia diantaranya: 1.
PT Indonesia Epson Industry
2.
PT JVC Electronics Indonesia
3.
PT Panasonic Shikoku Electronics Indonesia
4.
PT Jalco Electronics Indonesia
5.
PT Samsung Electronic Indonesia
6.
PT Indomobil Suzuki
7.
PT Ichikoh Indonesia
8.
PT Toso Industry Indonesia
9.
PT Filtech Indonesia
10.
PT KMK Plastic Indonesia
11.
PT Sanyo Jaya Components Indonesia
12.
PT Summitplast Interbenua
13.
PT Indonesia Stanley Electric
14.
Dll.
4.2. Visi dan Misi Perusahaan Visi dari PT S-IK Indonesia yaitu “berkesinambungan meningkatkan pelayanan kepada pelanggan dan masyarakat melalui layanan global dan berupaya memenuhi perubahan kebutuhan mereka”. Sedangkan misi perusahaan dituangkan dalam manajemen filosofi dan kode etik berikut ini: 1.
Manajemen Filosofi: Dengan "cinta dan menghargai orang-orang" sebagai nilai-nilai inti, kami berkomitmen untuk menjadi "Perusahaan yang Baik" yang selalu dapat dipercaya.
2.
Kode etik: - Kebijakan Manajemen (Management Policy)
Kami berkomitmen untuk terus meningkatkan nilai perusahaan Inabata & Co, Ltd. Tidak hanya untuk para pemegang saham, mitra bisnis dan karyawan kami, tetapi untuk semua stakeholder. - Mematuhi Hukum dan Aturan (Compliance) Kami berkomitmen untuk mematuhi hukum dan semua aturan masyarakat. Kami akan berusaha untuk menjaga manajemen kami yang transparan dan terbuka kepada masyarakat, melalui pengungkapan yang tepat dan tepat waktu. - Bisnis (Business) Sadar akan semangat Inabata & Co.’s sejak pertama dirintis, kami berkomitmen untuk bekerja secara global menggabungkan target dan strategi yang diartikulasikan dengan jelas, kecepatan, dan kemampuan perencanaan khusus, serta keahlian yang unik dan multifungsi. - Orang-orang (People) Kami berkomitmen untuk menciptakan tradisi, dengan mereka yang berintegritas pantang menyerah, berkewarganegaraan yang baik, punya kepercayaan, dan semangat kemerdekaan. - Budaya Perusahaan (Corporate culture) Kami berkomitmen untuk memelihara budaya perusahaan yang menghargai kreativitas dan keragaman, memberikan kesempatan bagi semua untuk mencapai mimpi dengan kebahagiaan dan mendapatkan evaluasi yang adil terhadap kinerja mereka - terlepas dari kebangsaan, jenis kelamin, usia, atau kapan mereka bergabung dengan perusahaan. - Lingkungan dan Masyarakat (Environment and community) Kami sebagai warga perusahaan yang baik, dipesankan untuk melestarikan lingkungan, lebih jauh turut berkontribusi untuk kemakmuran masyarakat setempat. 4.3. Perkembangan Perusahaan Berikut adalah perkembangan PT S-IK Indonesia yaitu sejak didirikan pada tahun 1995 yang dimulai dengan proses perataan tanah hingga kondisi saat ini dimana perusahaan ini telah memiliki kurang lebih 14 mesin ekstruder (mesin
pelebur plastik). Secara runtut perkembangan PT S-IK Indonesia digambarkan dalam tabel 2. Tabel 2. Perkembangan perusahaan No.
Bulan dan Tahun
Keterangan
1.
Oktober 1995
proses perataan tanah
2.
Mei 1996
Penyelesaian pemasangan blending
3.
April 1996
Dimulainya produksi dengan 3 mesin extruder
4.
Nopember 1998
Rangka pembangunan warehouse
5.
Maret 2011
sudah memiliki 14 mesin extruder
4.4. Fasilitas Produksi yang Dimiliki PT. S-IK Indonesia Untuk dapat memproduksi produk dengan kualitas yang sesuai dengan standar internasional, maka PT. S-IK Indonesia memperlengkapi perusahaannya dengan fasilitas produksi yang cukup, baik dari segi jumlah maupun teknologi serta senantiasa mengupdate peralatan yang dimiliki dengan teknologi terkini sehingga dapat meningkatkan daya saing produk yang dihasilkan (competitive advantage). Fasilitas produksi yang dimiliki perusahaan berupa mesin extruder, blender, middle hopper dan lainnya. Sedangkan fasilitas untuk pemeriksaan berupa Injection Molding Machine, Physical Test, dan Attached Facilities. Untuk lebih lengkapnya pada tabel-tabel (Lampiran 1) disajikan data mengenai daftar fasilitas produksi dan inspeksi yang dimiliki oleh PT. S-IK Indonesia. 4.5. Produk-Produk Perusahaan Berikut adalah produk-produk yang terdapat pada PT S-IK Indonesia: 1.
PP (Polypropilene), bahan baku plastik berjenis PP ini cenderung digunakan untuk menghasilkan produk-produk otomotif dan peralatan rumah tangga, misalnya dashboard mobil, bemper mobil, tupperware, dll.
2.
ABS (Acrylonitrile Butadiene Stryrene), bahan baku plastik berjenis ABS ini cenderung digunakan sebagai rangka/casing peralatan elektronik, misalnya monitor komputer, printer, keyboard dan pipa saluran
3.
PS (Polystyrene), jenis plastik PS ini cenderung digunakan untuk kemasan sabun, kemasan makanan, cangkir yang siap untuk di buang, piring, tempat / kotak CD dan kaset.
4.
PMMA (Polymethyl methacrylate), jenis plastik PMMA ini biasanya digunakan sebagai lensa kontak, kaca jendela (jenis kaca jendela yang sudah dikenal terdiri dari beberapa merek dagang di seluruh dunia, misalnya : Perspex, Oroglas, Plexiglas) dan penutup lampu belakang mobil.
5.
PE (Polyethylene), merupakan plastik jenis termoplastik yang digunakan secara luas oleh konsumen produk sebagai kantong plastik mencakup tas supermarket, botol plastik, dll.
6.
POM (Polyacetal/Polyoxymethylene), plastik jenis ini sering digunakan sebagai material pengganti metal terutama gear, bushing, dan sliding elements.
7.
PA (Polyamide), juga dikenal dengan nama nylon. jenis plastik PA ini biasanya digunakan sebagai pipa atau pancuran ledeng, bingkai jendela dan lantai.
8.
PC (Polycarbonate), jenis plastik PC ini biasanya digunakan sebagai compact disc, kacamata, perisai, jendela pengaman, lampu lalu lintas dan lensa.
4.6. Struktur Organisasi Adanya struktur organisasi ini adalah untuk memberikan
penjelasan
mengenai tugas dan tanggung jawab departemen-departemen yang terdapat pada PT S-IK Indonesia. 1.
President Director: merupakan pengelola perusahaan juga sebagai pemilik PT S-IK Indonesia.
2.
Factory Manajer: merupakan pimpinan pabrik yang mengelola kebijakan di pabrik, penanggung jawab utama atas jalannya dan tercapai tujuan perusahaan di pabrik. Tugas dan wewenang dari manajer pabrik yaitu: mengkoordinir seluruh kegiatan di pabrik, mengkoordinir tugas-tugas asisten, membuat laporan rutin mengenai keadaan pabrik secara keseluruhan setiap bulan. Tanggung jawab: Manager Factory dalam menjalankan tugasnya bertanggung jawab kepada President Director PT S-IK Indonesia.
3.
Logistic Departement: memiliki wewenang dan bertanggung jawab untuk mengendalikan kegiatan logistik, bertanggung jawab mengendalikan jalannya kegiatan di gudang, bertanggung jawab untuk memantau dan menentukan jadwal pengiriman dan pengiriman untuk tujuan ekspor, bertanggung jawab untuk membuat laporan persediaan barang jadi, bertanggung jawab untuk menyediakan bahan baku untuk persiapan produksi.
4.
General Affair Departement: bertanggung jawab untuk mengatur jadwal jalannya perusahaan,
bertanggung jawab untuk mengelola pabrik,
bertanggung jawab untuk mengatur dan mengontrol karyawan, bertanggung jawab untuk mengontrol bagian pasokan perusahaan. 5.
Production Departement: bertanggung jawab terhadap President Director khususnya hal-hal yang bersifat produksi, bertanggung jawab dalam pengendalian pemeliharaan mesin-mesin produksi, bertanggung jawab menyampaikan laporan hasil produksi kepada President Director.
6.
Quality Control departement: bertanggung jawab untuk mengendalikan proses produksi dan kualitas produk, bertanggung jawab untuk menjaga prosedur standarisasi, bertanggung jawab untuk implementasi sistem dan meningkatkan system, bertanggung jawab untuk jadwal mengontrol pencocokan warna, Bertanggung jawab untuk memeriksa barang jadi dan bahan baku.
7.
Commercial: bertanggung jawab untuk mengambil tindakan yang tepat dalam segala hal yang berkaitan dengan pengendalian internal, bertanggung jawab untuk menjaga hubungan antara pelanggan dan perusahaan, bertanggung jawab untuk mengontrol semua dukungan bahan baku, bertanggung jawab untuk mengelola pesanan, mengendalikan tanggal pengiriman bahan baku plastik.
8.
Account and Financial: bertanggung jawab atas kelangsungan pekerjaan sehari-hari di bidang akuntansi atau keuangan, bertanggung jawab untuk memelihara prosedur sistem akuntansi keuangan, bertanggung jawab untuk mengendalikan jadwal pembayaran untuk pemasok, berwenang untuk menghentikan pembayaran jika dokumen tidak dapat diandalkan.
4.7. Hasil analisis 4.7.1 Uji Stasioneritas Stasioneritas merupakan syarat utama bagi data agar dapat diolah dan digunakan bagi penelitian ini. Uji ini dilakukan untuk menganalisis apakah data yang digunakan stasioner atau tidak sesuai dengan bentuk tren deterministik yang dikandung oleh setiap variabel. Data yang tidak stasioner adalah data yang mengandung akar unit
sehingga dapat menghasilkan regresi palsu (spurious
regression), yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik padahal kenyataannya tidak stasioner atau tidak sebesar regresi yang dihasilkan tersebut. Pengujian stasionesitas dalam penelitian ini didasarkan pada uji ADF (Augmented Dickey Fuller). Pengujian stasioneritas data perlu dilakukan karena data yang tidak stasioner tidak dapat dimasukkan kedalam model VAR melainkan dimasukkan ke dalam model VECM (Vector Error Correction Model). Pemeriksaaan kestasioneran data time series pada setiap varabel dalam tingkat level dengan menggunakan uji ADF dapat dilihat dalam Tabel 3. Tabel 3. Hasil Uji Unit Root pada Level Variabel Nilai ADF ABS -2.725301 PP -2.337352 PS -2.897658 Berdasarkan hasil
Nilai Kritis MacKinnon Kerterangan 5% -2.911730 Tidak stasioner -3.489228 Tidak stasioner -2.911730 Tidak stasioner tabel di atas maka dapat dilihat bahwa data dari variabel
ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene) tidak stasioner. Hal ini dapat diketahui dari nilai kritis MacKinnon pada taraf nyata 5 persen lebih besar daripada nilai ADF. Karena hasil pengujian stasioneritas untuk masing-masing data (Tabel 3) menunjukkan bahwa variabelvariabel yang digunakan dalam penelitian ini tidak stasioner, maka pengujian akar unit perlu dilanjutkan pada tingkat first difference. Hasil pengujian first difference dapat dilihat pada Tabel 4 berikut.
Tabel 4. Hasil Uji Unit Root pada First Difference Nilai Kritis Variabel Nilai ADF MacKinnon Kerterangan 5% ABS -8.788089 -2.912631 Stasioner PP -15.33991 -2.912631 Stasioner PS -7.137961 -2.912631 Stasioner Secara umum dapat disimpulkan bahwa variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene) telah stasioner pada level first difference. Dari hasil uji stasioner ini sudah dapat disimpulkan model yang digunakan dalam penelitian ini adalah model VECM. 4.7.2 Uji Kausalitas Granger Uji Kausalitas Granger digunakan untuk melihat hubungan kausalitas antar variabel yang akan digunakan dalam penelitian ini. Berdasarkan Uji Kausalitas Granger apabila nilai probability variabel tersebut lebih kecil atau sama dengan 5 persen maka terdapat hubungan kausalitas diantara variabelnya, sebaliknya apabila nilai probability variabel tersebut lebih besar dari 5 persen maka tidak ada hubungan kausalitas diantara variabelnya. Hasil pengujian kausalitas granger dapat dilihat pada Tabel 5 berikut. Tabel 5. Uji Kausalitas Granger Null Hypothesis: PP does not Granger Cause ABS ABS does not Granger Cause PP PS does not Granger Cause ABS ABS does not Granger Cause PS PS does not Granger Cause PP PP does not Granger Cause PS
Obs 57 57 57
F-Statistic 0.24442 2.37299 0.36918 1.18651 0.21871 1.26458
Prob. 0.8649 0.0813 0.7756 0.3244 0.8830 0.2966
Berdasarkan hasil pengujian maka dapat dilihat bahwa semua nilai probability pada hipotesis lebih besar dari alpha 5%, yang artinya ketiga variabel ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene) tidak terdapat hubungan kausalitas diantara variabel tersebut.
4.7.3 Penentuan Lag Optimal Pengujian selanjutnya yaitu menentukan jumlah lag optimal yang akan digunakan dalam variabel yang akan dianalisis. Penentuan lag optimal yang digunakan dengan beberapa pendekatan antara lain Likelihood Ratio (LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Hasil pengujian lag optimal dapat dilihat pada Tabel 6 berikut. Tabel 6. Penentuan Lag Optimal Lag LogL LR FPE AIC SC HQ 0 -113.5871 NA 0.011183 4.020246 4.126821 4.061759 1 -16.14339 181.4470 0.000530 0.970462 1.396760 1.136514 2 2.709548 33.15517* 0.000378* 0.630705* 1.376728* 0.921296* Berdasarkan hasil penentuan lag optimal di atas maka dapat dilihat bahwa lag yang optimal berada pada lag ke dua. Hal ini diketahui dari semua kriteria memberikan panjang lag yang sama yaitu pada lag ke dua. 4.7.4 Uji Kointegrasi Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stasioner mengalami kointegrasi atau tidak. Pengujian ini dilakukan dalam rangka memperoleh hubungan jangka panjang antara variabel yang telah memenuhi persyaratan dalam proses integrasi dimana semua variabel telah stasioner pada derajat yang sama yaitu first difference atau I(0). Dalam penelitian ini untuk mengetahui keterkaitan jangka panjang antar komoditi diuji dengan menggunakan uji kointegrasi Johansen. Dengan kriteria pengujian jika trace statistic lebih besar dari critical value, maka terjadi kointegrasi, sebaliknya jika trace statistic lebih kecil dari critical value, maka tidak terkointegrasi. Hasil pengujian dapat dilihat pada Tabel 7. Tabel 7. Uji Kointegrasi Hypothesized No.of CE (s) None* At Most 1 At Most 2
Eigen value 0.328122 0.045937 0.000977
Trace Statistic 24.95816 2.688157 0.054723
0.05 Critical Value 24.27596 12.32090 4.129906
Prob** 0.0410 0.8848 0.8480
Berdasarkan hasil pengujian tersebut dapat diketahui bahwa terdapat satu persamaan kointegrasi, karena hanya ada satu nilai trace statistic yang lebih besar
dari taraf nyata 5 persen. Adanya kointegrasi variabel terhadap variabel yang lain hal ini berarti terdapat hubungan jangka panjang diantara ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene), dan PS (Polystyrene). 4.7.5 Estimasi VECM (Vector Error Correction Model) Pengaruh suatu variabel yang terkointegrasi terhadap variabel lainnya dalam jangka panjang dapat dilihat dari analisis menggunakan metode Vector Error Correction Model (VECM). Interpretasi hasil dilakukan dengan melihat koefisien kointegrasinya dan pembacaan tanda adalah terbalik dari tanda koefisiennya. Koefisien kointegrasi dikatakan signifikan jika mutlak nilai t-statistic lebih besar daripada nilai t-tabel yaitu 1,96. Tabel 8. Estimasi VECM (Vector Error Correction Model) Cointegrating Eq ABS PP
Cointegrating Eq1 1.000000 0.930352 [1.95240] PS 2.870379 [2.59531] Dari hasil estimasi VECM pada tabel di atas diketahui bahwa apabila penjualan PP meningkat satu persen maka akan menurunkan penjualan ABS sebesar 0.93 persen. Sedangkan apabila penjualan PS meningkat satu persen, maka juga akan menurunkan penjualan ABS sebesar 2.87 persen. 4.7.6 Pengujian Stabilitas Model Pengujian selanjutnya yaitu pengujian stabilitas model VECM. Berdasarkan hasil AR Root Table, model dikatakan stabil apabila nilai modulusnya kurang dari satu. Terlihat pada tabel dibawah ini bahwa semua nilai modulus kurang dari satu, maka dapat disimpulkan bahwa model VECM tersebut telah stabil. Berikut adalah hasil pengujian stabilitas VECM.
Tabel 9. Pengujian Stabilitas Model Root 0.959089 0.790458 -0.617894 0.465037-0.213163i 0.465037+0.213163i -0.156347
Modulus 0.959089 0.790458 0.617894 0.511564 0.511564 0.156347
4.7.7 Impulse Response Function (IRF) Analisis IRF dimaksudkan untuk mengetahui pengaruh perubahan dari satu variabel pada variabel itu sendiri atau variabel lainnya. Dalam penelitian ini analisis IRF bertujuan untuk mengetahui dampak guncangan dari setiap variabel yaitu ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropilene) dan PS (Polystyrene). 1.
Apabila ABS di impuls (shock) Respon Variabel ABS Terhadap Shock Variabel ABS
Respon Variabel PS Terhadap Shock Variabel ABS
Respon Variabel PP Terhadap Shock Variabel ABS
1.0
.4
.30
.3 .25
0.9
.2 .20 0.8
.1 .15
.0
0.7 .10 0.6
-.1
.05
0.5
-.2 -.3
.00 5
10
15
20
25
30
35
40
45
50
5
10
15
20
25
30
35
40
45
50
5
10
15
20
25
30
35
40
45
50
Gambar 3. Impulse Response ABS Respon yang pertama dianalisa yaitu apabila variabel ABS di impuls. Gambar pertama menunjukkan respon ABS terhadap guncangan variabel ABS sendiri. Berdasarkan gambar tersebut, diketahui bahwa respon yang diberikan ABS terhadap variabel itu sendiri pada satu standar deviasi terlihat bernilai positif. Pergerakan dari respon tersebut menurun pada periode ke dua sebesar 79 persen. Terjadi lonjakan pada periode ke tiga dengan nilai 88 persen. Akan tetapi menurun pada periode ke tiga hingga periode 11 dengan nilai yang cukup drastis yaitu hingga 59 persen. Respon kemudian bergerak cenderung stabil pada periode ke 12 hingga periode ke 60 dengan bertahan di angka 59 persen. Gambar selanjutnya menunjukkan respon variabel PP terhadap guncangan dari variabel ABS. Terlihat pada gambar, respon yang diberikan variabel PP pada
perubahan standar deviasi ABS bernilai positif. Kenaikan yang cukup drastis terlihat pada periode ke dua dengan nilai 29 persen, dimana pada periode pertama berada pada nilai 0 persen. Pada periode berikutnya terjadi fluktuasi ringan hingga pada periode ke 12 respon terlihat stabil dengan nilai 15 persen. Dengan nilai respon yang positif disimpulkan bahwa guncangan dari penjualan produk ABS sebesar satu standar deviasi berpengaruh positif terhadap penjualan produk PP. Gambar berikutnya menunjukkan respon variabel PS terhadap guncangan dari variabel ABS. Jika dilihat pada gambar di atas, respon yang diberikan variabel PS pada perubahan satu standar deviasi variabel ABS cenderung bernilai negatif. Titik awal pada periode pertama bernilai 2 persen, selanjutnya mengalami peningkatan pada periode ke dua dengan nilai 31 persen. Respon variabel PS berikutnya terlihat penurunan hingga bernilai negatif. Penurunan tersebut dimulai dari periode ke dua sampai periode ke 12 dengan nilai yaitu -27 persen, dan nilai tersebut tetap bertahan hingga periode ke 50. Dengan nilai respon yang negatif dapat disimpulkan bahwa guncangan dari penjualan ABS sebesar satu standar deviasi berpengaruh negatif terhadap penjualan PS. 2.
Apabila variabel PP di impuls (shock) Respon Variabel PP Terhadap Shock Variabel PP
Respon Variabel PS Terhadap Shock Variabel PP
Respon Variabel ABS Terhadap Shock Variabel PP
1.0
.00
0.9
-.05
0.8
-.10
0.7
-.15
0.6
-.20
0.5
-.25
.24 .20 .16 .12 .08 .04 .00 -.04 -.08
0.4
-.12
-.30
5
10
15
20
25
30
35
40
45
50
5
10
15
20
25
30
35
40
45
50
5
10
15
20
25
30
35
40
45
50
Gambar 4. Impulse Response PP Respon kedua yang dianalisa yaitu apabila variabel PP di impuls. Terlihat pada gambar yang pertama menunjukkan respon dari variabel PP terhadap guncangan variabel PP itu sendiri. Respon yang diberikan variabel PP pada perubahan satu standar deviasi terhadap variabel PP itu sendiri bernilai positif. Dimana pergerakan respon variabel PP terhadap dirinya sendiri di setiap periodenya cenderung bergerak stabil, walaupun pada periode pertama setelah berada pada nilai 94 persen, terjadi penurunan di periode kedua dengan nilai 48 persen. Respon selanjutnya terjadi fluktuasi hingga pada periode ke 9, pergerakan selanjutnya dari periode ke 9 hingga periode ke 50 terlihat stabil dengan nilai 60
persen. Dengan nilai respon yang positif disimpulkan bahwa guncangan dari penjualan produk PP sebesar satu standar deviasi berpengaruh positif terhadap naik turunnya penjualan produk PP itu sendiri. Pada gambar selanjutnya terlihat respon dari variabel ABS terhadap guncangan variabel PP. Gambar tersebut menunjukkan respon yang diberikan variabel ABS pada perubahan standar deviasi PP bernilai negatif. Dari grafik yang ditunjukkan terlihat respon dari variabel ABS terhadap variabel PP sangat berfluktuatif, yang pada akhirnya mengalami kestabilan respon hingga periode 50. Dengan nilai respon yang negatif dapat disimpulkan bahwa guncangan dari penjualan produk PP sebesar satu standar deviasi berpengaruh negatif terhadap penjualan produk ABS. Gambar selanjutnya menunjukkan respon yang diberikan variabel PS terhadap guncangan dari variabel PP. Jika dilihat pada gambar di atas, respon yang diberikan variabel PS pada perubahan satu standar deviasi variabel PP cenderung bernilai negatif. Titik awal pada periode pertama bernilai 0 persen, selanjutnya mengalami peningkatan pada periode ke tiga dengan nilai 22 persen. Respon variabel PS berikutnya terlihat penurunan hingga bernilai negatif. Penurunan tersebut dimulai dari periode ke 3 sampai periode ke 11 dengan nilai yaitu -10 persen, dan nilai tersebut cenderung stabil sampai periode ke 50. Dengan nilai respon yang negatif dapat disimpulkan bahwa guncangan dari penjualan PP sebesar satu standar deviasi berpengaruh negatif terhadap penjualan PS. 3.
Apabila variabel PS di impuls (shock) Respon Variabel PS Terhadap Shock Variabel PS
Respon Variabel PP Terhadap Shock Variabel PS
Respon Variabel ABS Terhadap Shock Variabel PS .00
1.0
.10
0.9
.05
-.02
.00
-.04
0.8 0.7
-.05
-.06
0.6 -.10
0.5
-.08 -.15
0.4
-.10 -.20
0.3 0.2
-.25
0.1
-.30
5
10
15
20
25
30
35
40
45
50
-.12 -.14 5
10
15
20
25
30
35
40
45
50
5
10
15
20
25
30
35
40
45
50
Gambar 5. Impulse Response PS Respon ketiga yang dianalisa yaitu apabila variabel PS di impuls. Gambar pertama menunjukkan respon yang diberikan variabel PS terhadap guncangan dari variabel PS itu sendiri. Berdasarkan grafik di atas, respon yang diberikan oleh
variabel PS pada perubahan satu standar deviasi variabel PS itu sendiri bernilai positif. Dimana respon yang diberikan cenderung menurun secara signifikan, dengan titik awal bernilai 100 persen pada periode pertama dan nilai respon terendah mencapai 12 persen berada pada periode ke 10. Selanjutnya nilai respon yang diberikan stabil dengan nilai 12 persen dari periode ke 10 hingga periode ke 50. Gambar selanjutnya menunjukkan respon variabel ABS terhadap guncangan dari variabel PS. Jika dilihat pada gambar di atas, respon yang diberikan variabel PS pada perubahan satu standar deviasi variabel PS cenderung bernilai negatif. Titik awal pada periode pertama bernilai 2 persen, selanjutnya mengalami sedikit peningkatan pada periode ke tiga dengan nilai 8 persen. Respon berikutnya terlihat penurunan hingga bernilai negatif. Penurunan tersebut dimulai dari periode ke 3 sampai periode ke 11 dengan nilai yaitu -25 persen, dan nilai tersebut cenderung stabil sampai periode ke 50. Dengan nilai respon yang negatif dapat disimpulkan bahwa guncangan dari penjualan PS sebesar satu standar deviasi berpengaruh negatif terhadap penjualan ABS. Gambar berikutnya menunjukkan respon variabel PP terhadap guncangan dari variabel PS. Dilihat dari respon yang diberikan variabel PP pada perubahan satu standar deviasi variabel PS bernilai negatif. Terlihat respon dari variabel PP terhadap variabel PS cenderung menurun, yang pada akhirnya mengalami kestabilan respon hingga periode 50. Penurunan terlihat pada periode pertama dengan nilai -3,8 persen, dimana titik awal pada periode pertama bernilai 0 persen. Kenaikan yang tidak begitu besar terjadi pada periode ke tiga dengan nilai -3,7 persen. Akan tetapi respon menurun kembali hingga nilai tersebut stabil sampai periode ke 50. Dengan nilai respon yang negatif dapat disimpulkan bahwa guncangan dari penjualan produk PS sebesar satu standar deviasi berpengaruh negatif terhadap penjualan produk PP. 4.7.8 Forecast Error Variance Decomposition (FEVD) Dengan analisis Forecast Error Variance Decomposition (FEVD) ini akan memberikan informasi mengenai ramalan 50 periode ke depan dari setiap variabel dan seberapa persen variasi pada sebuah variabel dijelaskan oleh setiap gangguan yang ada dalam model yang diaplikasikan.
1.
ABS (Acrylonitrile Butadiene Stryrene)
Forecast Error ABS Variabilitas data ramalan diukur dengan peramalan kesalahan standar atau
disebut forecast standard error ditambah nilai prediksi dari garis persamaan regresi. Persamaan regresi yang di dapat untuk variabel ABS yaitu: ABS = 55082 + 0,271 ABSlag-2 + 0,603 ABSlag-1 + 0,152 PPlag-2 - 0,163 PPlag-1 + 0,046 PP - 0,194 PSlag-2 - 0,014 PSlag-1 + 0,212 PS Dari persamaan regresi tersebut kita dapat mengetahui nilai prediksi penjualan ABS. Setelah mendapatkan nilai persamaan regresinya, kita dapat menghitung nilai peramalannya. Tabel 10 merupakan hasil peramalan dari variabel ABS selama 1 tahun kedepan dari bulan ke 61 (Januari 2011) hingga bulan ke 72 (Desember 2011) dengan satuan Kilogram di setiap nilainya. Tabel 10. Hasil peramalan ABS Bln 61 62 63 64 65 66 67 68 69 70 71 72
Forecast. SE + 106.138 + 138.955 + 167.442 + 187.934 + 204.258 + 218.811 + 231.420 + 243.383 + 254.437 + 265.044 + 275.128 + 284.867
Nilai persamaan 915.668 899.820 894.754 881.957 870.342 859.462 861.379 860.625 861.565 862.967 862.827 867.243
Nilai Forecast 809.530 760.865 727.312 694.023 666.084 640.651 629.959 617.242 608.128 597.923 587.699 582.376
1.021.806 1.038.775 1.062.196 1.069.891 1.074.600 1.078.273 1.092.799 1.104.008 1.116.002 1.128.011 1.137.955 1.152.110
Nilai Aktual 900.809 894.444 870.735 868.603 864.614 856.367 866.387 781.663 1.041.329 -
Keakuratan Akurat Akurat Akurat Akurat Akurat Akurat Akurat Akurat Akurat -
Berdasarkan tabel di atas, dilihat dari hasil nilai persamaan atau nilai prediksi sementara dari variabel ABS mengalami fluktuasi. Hal ini juga akan mempengaruhi nilai ramalannya yang akan cenderung berfluktuatif di setiap bulannya hingga bulan ke 72 (Desember 2011). Sedangkan jika dilihat dari hasil nilai aktual atau nilai yang sesungguhnya, hasil peramalan penjualan pada komoditi ABS dari bulan ke 61 (Januari 2011) hingga bulan ke 69 (September 2011) sudah akurat. Hal ini dapat di lihat dari nilai aktual selama sembilan bulan ini yaitu dari bulan ke 61 (Januari 2011) hingga bulan ke 69 (September 2011) berada dalam rentang nilai forecast. Untuk peramalan tiga bulan berikutnya yaitu
bulan ke 70 (Oktober 2011) hingga bulan ke 72 (Desember 2011) perusahaan dapat menetapkan target penjualan komoditi ABS pada rentang nilai forecast.
Variance Decomposition ABS Hasil dari variance decomposition ini akan ditunjukan dalam bentuk
diagram dibawah ini.
Gambar 6. Variance Decomposition ABS Jika dilihat dari diagram di atas, dapat diketahui bahwa peramalan penjualan ABS untuk 50 periode kedepan mengalami penurunan. Pada periode pertama penjualan produk ABS dipengaruhi oleh ABS itu sendiri hingga mencapai nilai 100 persen. Pada periode berikutnya pengaruh ABS mulai melemah hingga terus mengalami penurunan sampai periode ke 50 dengan nilai 63 persen. Dari hasil analisis variance decomposition pada komoditi ABS dapat disimpulkan bahwa penjualan ABS dipengaruhi oleh ABS itu sendiri, sedangkan pengaruh penjualan produk PP dan PS tidak begitu besar sehingga secara keseluruhan penjualan ABS pengaruhnya masih di dominasi oleh dirinya sendiri baik dalam jangka pendek maupun jangka panjang. 2.
PP (Polypropylene)
Forecast Error PP Variabilitas data ramalan diukur dengan peramalan kesalahan standar atau
disebut forecast standard error ditambah nilai prediksi dari garis persamaan regresi. Persamaan regresi yang di dapat untuk variabel PP yaitu:
PP = 3052 - 0,137 ABSlag-2 + 0,070 ABS + 0,230 ABSlag-1 + 0,506 PPlag-2 + 0,439 PPlag-1 - 0,083 PSlag-1 - 0,013 PSlag-2 + 0,054 PS Dari persamaan regresi tersebut kita dapat mengetahui nilai prediksi penjualan PP. Setelah mendapat persamaan regresinya, kita dapat menghitung nilai peramalannya. Tabel 11 merupakan hasil peramalan dari variabel PP selama 1 tahun kedepan dari bulan ke 61 (Januari 2011) hingga bulan ke 72 (Desember 2011) dengan satuan Kilogram di setiap nilainya. Tabel 11. Hasil peramalan PP Bln 61 62 63 64 65 66 67 68 69 70 71 72
Forecast. SE + 137.084 + 155.654 + 187.422 + 205.248 + 225.185 + 240.599 + 255.798 + 269.322 + 282.408 + 294.672 + 306.504 + 317.831
Nilai Persamaan 1.436.021 1.473.707 1.507.380 1.538.960 1.565.841 1.591.765 1.618.194 1.644.850 1.669.652 1.694.568 1.718.648 1.705.723
Nilai Forecast 1.298.937 1.318.053 1.319.958 1.333.712 1.340.656 1.351.166 1.362.396 1.375.528 1.387.244 1.399.896 1.412.144 1.387.892
1.573.105 1.629.361 1.694.802 1.744.208 1.791.026 1.832.364 1.873.992 1.914.172 1.952.060 1.989.240 2.025.152 2.023.554
Nilai Aktual 1.506.908 1.575.964 1.580.163 1.654.460 1.769.163 1.792.531 1.805.469 1.841.102 1.879.469 -
Keakuratan Akurat Akurat Akurat Akurat Akurat Akurat Akurat Akurat Akurat -
Berdasarkan tabel di atas, dilihat dari hasil nilai persamaan atau nilai prediksi sementara dari variabel PP cenderung mengalami peningkatan dalam penjualan di setiap bulannya. Akan tetapi penurunan penjualan terjadi pada akhir bulan yaitu pada bulan ke 72 (Desember 2011). Hal ini juga akan mempengaruhi nilai ramalannya yang akan cenderung mengalami peningkatan dalam penjualan PP di setiap bulannya hingga bulan ke 71 (November 2011). Sedangkan jika dilihat dari hasil nilai aktual atau nilai yang sesungguhnya, hasil peramalan penjualan pada komoditi PP dari bulan ke 61 (Januari 2011) hingga bulan ke 69 (September 2011) sudah akurat. Hal ini dapat di lihat dari nilai aktual selama sembilan bulan ini yaitu dari bulan ke 61 (Januari 2011) hingga bulan ke 69 (September 2011) berada dalam rentang nilai forecast. Untuk peramalan tiga bulan berikutnya yaitu bulan ke 70 (Oktober 2011) hingga bulan ke 72 (Desember 2011) perusahaan dapat menetapkan target penjualan komoditi PP pada rentang nilai forecast.
Variance Decomposition PP
Gambar 7. Variance Decomposition PP Gambar 7 menunjukkan variance decomposition dari variabel PP. Dilihat dari diagram tersebut, dapat diketahui bahwa peramalan penjualan produk PP pada 50 periode kedepan sangat berpengaruh besar terhadap produk PP itu sendiri. Pada periode pertama pengaruh variabel PP bernilai 100 persen dan di periode selanjutnya menurun, akan tetapi penurunannya tidak begitu besar yaitu berada di rata-rata 94 persen sehingga pengaruh penjualan pada komoditi PP di dominasi oleh dirinya sendiri.Jadi dapat disimpulkan bahwa pengaruh dari PP masih sangat kuat dibandingkan dengan variabel lainnya yaitu ABS dan PS baik dalam jangka pendek maupun jangka panjang. 3.
PS (Polystyrene)
Forecast Error PS Variabilitas data ramalan diukur dengan peramalan kesalahan standar atau
disebut forecast standard error ditambah nilai prediksi dari garis persamaan regresi. Persamaan regresi yang di dapat untuk variabel PS yaitu: PS = 171560 - 0,154 ABSlag-2 - 0,114 ABSlag-1 + 0,347 ABS - 0,132 PPlag-2 0,011 PPlag-1 + 0,057 PP - 0,094 PSlag-2 + 0,786 PSlag-1 Dari persamaan regresi tersebut kita dapat mengetahui nilai prediksi penjualan PS. Setelah mendapat persamaan regresinya, kita dapat menghitung nilai peramalannya. Tabel 12 merupakan hasil peramalan dari variabel PS selama
1 tahun kedepan dari bulan ke 61 (Januari 2011) hingga bulan ke 72 (Desember 2011) dengan satuan Kilogram di setiap nilainya. Tabel 12. Hasil peramalan PS Bln 61 62 63 64 65 66 67 68 69 70 71 72
Forecast. SE + 129.932 + 174.281 + 187.470 + 191.897 + 194.829 + 196.847 + 198.663 + 200.771 + 203.111 + 205.543 + 208.006 + 210.477
Nilai Persamaan 277.447 324.394 347.496 356.273 355.949 351.382 349.210 346.935 343.899 338.422 333.272 326.012
Nilai Forecast 147.515 150.113 160.026 164.376 161.120 154.535 150.547 146.164 140.788 132.879 125.266 115.535
407.379 498.675 534.966 548.170 550.778 548.229 547.873 547.706 547.010 543.965 541.278 536.489
Nilai Aktual 338.717 254.171 330.402 262.667 247.617 248.843 301.543 347.369 447.257 -
Keakuratan Akurat Akurat Akurat Akurat Akurat Akurat Akurat Akurat Akurat -
Berdasarkan tabel di atas, dapat dilihat dari hasil nilai persamaan atau nilai prediksi sementara dari variabel PS mengalami fluktuasi pada penjualannya. Hal ini juga akan mempengaruhi nilai ramalan penjualan PS di setiap bulannya dari bulan ke 61 (Januari 2011) hingga bulan ke 72 (Desember 2011). Sedangkan jika dilihat dari hasil nilai aktual atau nilai yang sesungguhnya, hasil peramalan penjualan pada komoditi PS dari bulan ke 61 (Januari 2011) hingga bulan ke 69 (September 2011) sudah akurat. Hal ini dapat di lihat dari nilai aktual selama sembilan bulan ini yaitu dari bulan ke 61 (Januari 2011) hingga bulan ke 69 (September 2011) berada dalam rentang nilai forecast. Untuk peramalan tiga bulan berikutnya yaitu bulan ke 70 (Oktober 2011) hingga bulan ke 72 (Desember 2011) perusahaan dapat menetapkan target penjualan komoditi PS pada rentang nilai forecast.
Variance Decomposition PS
Gambar 8. Variance Decomposition PS Gambar 8 menunjukkan variance decomposition dari variabel PS. Dilihat dari diagram tersebut, diketahui bahwa peramalan penjualan produk PS pada 50 periode kedepan sangat berpengaruh besar terhadap produk PS itu sendiri. Selain itu variabel lain yang
berpengaruh dalam penjualan PS yaitu variabel ABS.
Sedangkan pengaruh variabel lainnya yaitu variabel PP yang berpengaruh lebih kecil dibandingkan dengan variabel ABS. Dari hasil analisis variance decomposition dari produk PS dapat disimpulkan bahwa penjualan produk PS dipengaruhi oleh produk PS itu sendiri dan juga produk ABS baik dalam jangka pendek maupun dalam jangka panjang. 4.8 Implikasi Manajerial Implikasi dari hasil analisa ini akan mempengaruhi keputusan manajerial seperti halnya dalam menjaga kualitas/mutu produk, yaitu kualitas warna pada setiap produk yang telah dipesan oleh pelanggan. PT. S-IK Indonesia merupakan suatu perusahaan yang kegiatan operasionalnya berdasarkan pesanan dari pelanggan. Oleh karena itu pihak PT. S-IK Indonesia harus berusaha untuk mengedepankan mutu produk-produknya dalam setiap kegiatan operasional perusahaan. Dalam mencapai visi dan misi perusahaan maka PT. S-IK Indonesia harus memiliki perencanaan yang baik sebagai sasaran untuk mencapai kelangsungan
hidup dan pertumbuhan perusahaan yang semakin baik dari waktu ke waktu. Untuk itu dibutuhkan suatu prediksi terhadap keadaan masa depan, dimana perusahaan harus tetap menjaga atau mempertahankan kualitas/mutu produkproduknya. Dengan mengetahui ramalan penjualan di beberapa periode kedepan, perusahaan dapat mengantisipasi pada bulan-bulan yang diramalkan akan terjadi penurunan pada suatu produk. Dimana dalam hal ini yang cenderung mengalami penurunan yaitu pada produk ABS (Acrylonitrile Butadiene Stryrene) dan PS (Polystyrene). Perusahaan harus memusatkan perhatian mereka pada usaha untuk menghasilkan produk dengan kualitas yang baik dan terus menyempurnakannya sesuai dengan standar mutu/kualitas produk. Produk-produk berkualitas yang dibuat melalui suatu proses yang berkualitas akan memiliki sejumlah keistimewaan yang mampu meningkatkan kepuasan konsumen atas penggunaan produk tersebut. Serta proses pengolahan produk yang memiliki tingkat kesesuaian yang tinggi terhadap standar-standar akan meminimalisir tingkat kecacatan/kerusakan akan produk yang dihasilkan. Karena setiap konsumen pada umumnya akan memaksimumkan utilitas dalam mengkonsumsi produk, jelas bahwa produk-produk yang berkualitas tinggi akan dipilih konsumen. Hal ini akan membantu meningkatkan penjualan produk ABS dan PS di periode selanjutnya.
KESIMPULAN DAN SARAN
1.
Kesimpulan Berdasarkan hasil penelitian yang telah dilakukan maka dapat diambil
kesimpulan: a.
Berdasarkan hasil uji kointegrasi terdapat hubungan kointegrasi pada produk ABS (Acrylonitrile Butadiene Stryrene), PP (Polypropylene) dan PS (Polystyrene). Hal ini menunjukan bahwa ketiga produk tersebut telah terkointegrasi atau seimbang jangka panjang. Berdasarkan hasil IRF (Impulse Response Function) menunjukan bahwa guncangan penjualan ABS direspon positif oleh ABS itu sendiri dan PP akan tetapi di respon negatif oleh PS. Sedangkan guncangan yang terjadi pada penjualan PP direspon positif oleh PP itu sendiri dan di respon negatif oleh produk lainnya yaitu ABS dan PS. Dan untuk produk PS, guncangan yang terjadi pada penjualan PS yaitu produk tersebut direspon positif oleh PS itu sendiri akan tetapi direspon negatif oleh ABS dan PP.
b.
Dari hasil peramalan penjualan yang dilakukan untuk satu tahun kedepan (dimulai dari bulan Januari 2011 sampai bulan Desember 2011) terjadi fluktuasi pada nilai prediksi persamaan regresi, sehingga mempengaruhi nilai peramalan penjualannya. Bila dilihat dari nilai aktual masing-masing komoditi dari bulan ke 61 (bulan Januari 2011) hingga bulan ke 69 (bulan September 2011), terlihat keakuratan peramalan. Hal ini dapat dilihat dari rentang nilai peramalannya, dimana apabila nilai aktual berada dalam rentang nilai peramalan maka dinyatakan akurat. Berdasarkan hasil Variance Decomposition untuk 50 periode kedepan dalam penjualan pada komoditi ABS yaitu dipengaruhi oleh ABS itu sendiri, akan tetapi pengaruhnya menurun yang dimana pada periode pertama benilai 100 persen dan di periode selanjutnya pengaruhnya melemah hingga di periode ke 50 nilainya mencapai 63 persen. Selanjutnya Berdasarkan hasil Variance Decomposition untuk 50 periode kedepan dalam penjualan pada komoditi PP yaitu sangat di dominasi oleh dirinya sendiri, dengan kata lain pengaruh variabel PP terhadap penjualan komoditi PP masih sangat kuat dibandingkan dengan
variabel lainnya (ABS dan PS) yaitu berada di nilai rata-rata 94 persen. Dan yang terakhir hasil Variance Decomposition untuk 50 periode kedepan dalam penjualan pada komoditi PS yaitu dipengaruhi oleh produk PS itu sendiri dan juga produk ABS baik dalam jangka pendek maupun dalam jangka panjang. 2.
Saran Dalam penelitian ini penulis menyarankan beberapa hal kepada perusahaan
untuk dapat meningkatkan penjualan produknya. Berikut adalah beberapa hal yang disarankan oleh penulis: a.
PT S-IK Indonesia diharapkan menerapkan analisis peramalan ini sebagai alat bantu dalam meramalkan penjualan produk-produknya di masa yang akan datang guna untuk mendapatkan suatu perencanaan yang baik dalam mencapai target perusahaan tersebut. Walaupun hasil dari peramalan tidak pernah secara mutlak tepat, akan tetapi peran peramalan diperlukan untuk pertimbangan dalam pengambilan keputusan, karena dengan melakukan peramalan
para
perencana
dan
pengambil
keputusan
dapat
mempertimbangkan alternatif-alternatif yang lebih luas daripada tanpa peramalan. b.
Selain itu perusahaan harus memusatkan perhatian mereka pada usaha untuk menghasilkan
produk
dengan
kualitas
yang
baik
dan
terus
menyempurnakannya sesuai dengan standar mutu/kualitas produk yang telah ditetapkan, guna untuk meningkatkan penjualan produk-produk yang terdapat pada PT S-IK Indonesia.
DAFTAR PUSTAKA
Agung, I.G.N. 2009. “Time Series Data Analisys Using Eviews”. John Willey an Sons (Asia) Pte Ltd. Singapore Aldina A. 2008. Analisis Peramalan Penjualan Matrix Blackberry PT Indosat, Tbk Dalam Rangka Perencanaan strategi Pemasaran. Skripsi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor, Bogor. 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. Gaspersz, V. 2001. Production Planning and Inventory Control Berdasarkan Pendekatan Sistem Terintegrasi MRP II dan JIT Menuju Manufakturing 21. PT Gramedia Pustaka Utama, Jakarta. Gujarati, D. 2003. Ekonometika Dasar. Zain, Sumarno [penerjemah]. Erlangga, Jakarta Hanke, JE. et al. 2003. Peramalan Bisnis. Ed ke-7. Anathur D, Penerjemah. Jakarta: Prenhallindo. Terjemahan dari : Busines Forecasting, Jakarta. Heizer, J. dan B. Render. 2006. Manajemen Operasi. Edisi 7. Setyoningsih D dan Indra Almahdy, Penerjemah. Jakarta: Salemba Empat. Terjemahan dari: Operations Management, Jakarta. Julivanto, V. 2009. Dinamika Ekspor Karet Alam Indonesia. Skripsi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Bogor. Keown, A.J., J.D. Martin, J.W. Petty, D.F. Scott. 2004. Manajemen Keuangan: Prinsip-Prinsip dan Aplikasi (Terjemahan). 9th edition. Jilid 1. PT. Indeks Kelompok Gramedia, Jakarta. Mujiarto I, 2005. Sifat dan Karakteristik Material Plastik dan Bahan Aditif. Traksi Vol 3:65-75 Plastic ID Code. http://www.plastics.org.nz. [25 Agustus 2011]. Pratama S, 2009. Integrasi Pasar Obligasi Negara Di Antara Negara-Negara Asean+6. Skripsi pada Departemen Ilmu Ekonomi, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor. Bogor. Quantitative Micro Software, 2007. EViews 6 User’s Guide II.pdf.
Subagjo, B. 2005. Defisit Anggaran Utang Pemerintah dan Keberlanjutan Fiskal. Aplikasi Model Vector Error Correction. Disertasi pada Program Doktor, Pascasarjana Manajemen dan Bisnis. Institut Pertanian Bogor, Bogor.
LAMPIRAN
55
Lampiran 1. Fasilitas yang terdapat pada PT S-IK Indonesia List of Production Facilities a.
Extruder
b.
Blender
56
Lanjutan Lampiran 1. Fasilitas yang terdapat pada PT S-IK Indonesia c.
Middle Hooper
d.
Others
List of Inspection Facilities a.
Injection Molding Machine
57
Lanjutan Lampiran 1. Fasilitas yang terdapat pada PT S-IK Indonesia b.
Physical Test
c.
Attached Facilities
58
Lampiran 2. Struktur Organisasi President Director Masato Akai
Factory Manager Kazuhiro Takagi
Mgt Rep Tri Haryani
Steering Comm. Team
Logistic Dept. Rudy Suryawan
Logistic Section Suriwati
Exim & Inventori Suriwati
Quality As. Abdianta Ginting
DCC Dwi Irwati
General Affairs Dept. Rudy Suryawan
Personnel Sect. Slamet Widodo
Ware House Aboy
EDP Yoga H.
Production Dept. Shuichi Uakawa
General Admin Zuraidah - Roni
Maintenance Sect. Dapri Suprapman
Maintenance Madnur
QC Dept. Abdianta Ginting
Prod. Section MF. Ashidiq
Production Opr. Medarcus/Lismar
Commercial Abdianta Ginting
Commercial Sect. M. Mauludi
Weighing Rahyono
QC/Inspection Fauzie
Physical Test Afrijoni
Commercial Vinca
Account & Fin. Tan Hui Lie
59
Lampiran 3. Data Penjualan ABS, PP dan PS tahun 2006 - 2010
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
ABS (kg) 447.842 615.243 286.614 469.908 399.220 432.836 442.012 540.238 623.308 528.942 663.507 433.761 5.883.431
2006 PP (kg) 161.122 117.118 199.671 75.079 168.946 194.606 221.537 231.684 394.827 168.884 286.706 341.326 2.561.506
PS (kg) 718.237 588.479 317.686 473.460 818.293 351.468 188.573 250.417 563.050 757.487 616.266 469.622 6.113.038
ABS (kg) 491.077 403.474 392.319 430.676 452.448 527.871 636.596 749.482 769.247 702.406 768.940 596.296 6.920.832
2007 PP (kg) 321.629 282.539 304.914 282.627 283.221 242.760 373.694 317.743 467.705 404.286 482.640 512.281 4.276.039
PS (kg) 424.403 275.253 470.139 580.843 785.823 719.497 875.675 1.148.252 1.035.594 981.148 909.604 822.593 9.028.824
ABS (kg) 611.321 596.018 589.098 646.819 571.711 674.443 685.805 523.298 490.807 418.862 453.095 312.392 6.573.669
2008 PP (kg) 635.307 414.243 662.600 749.412 749.792 704.749 750.189 1.112.455 1.113.902 1.078.683 1.050.742 916.124 9.938.198
PS (kg) 832.952 656.938 541.516 600.024 512.750 532.982 572.303 506.172 605.105 700.859 469.075 343.818 6.874.494
ABS (kg) 110.225 164.107 264.977 411.673 543.300 581.685 702.640 588.667 571.051 743.761 640.036 607.963 5.930.085
2009 PP (kg) 802.765 777.106 801.807 792.398 1.027.515 1.197.911 1.004.559 1.404.340 1.126.813 1.412.735 1.197.386 1.285.900 12.831.235
PS (kg) 319.430 224.797 290.275 346.077 466.653 535.147 512.253 489.439 636.028 764.074 540.031 501.342 5.625.546
2010 ABS PP (kg) (kg) 615.967 1.134.166 486.186 1.197.499 609.853 1.409.743 452.551 1.366.726 527.341 1.533.419 568.322 1.533.370 754.315 1.325.572 787.598 1.478.666 742.425 1.093.771 1.096.320 1.299.982 1.034.244 1.406.493 881.256 1.375.141 8.556.378 16.154.548
PS (kg) 302.692 376.401 242.230 343.468 341.474 349.137 342.907 411.790 331.292 348.439 365.871 255.992 4.011.693
Lampiran 4. Uji Stasioneritas data dan Uji First Difference 1.
ABS ABS_ 14.0
13.5
13.0
12.5
12.0
11.5 2006
2007
2008
2009
2010
Null Hypothesis: ABS_ has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=10)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-2.725301 -3.546099 -2.911730 -2.593551
0.0758
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(ABS_) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=10)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-8.788089 -3.548208 -2.912631 -2.594027
0.0000
61
Lanjutan Lampiran 4. Uji Stasioneritas data dan Uji First Difference 2.
PP PP 14.4 14.0 13.6 13.2 12.8 12.4 12.0 11.6 11.2 2006
2007
2008
2009
2010
Null Hypothesis: PP has a unit root Exogenous: Constant, Linear Trend Lag Length: 1 (Automatic based on SIC, MAXLAG=10)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-2.337352 -4.124265 -3.489228 -3.173114
0.4077
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(PP) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=10)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-15.33991 -3.548208 -2.912631 -2.594027
0.0000
62
Lanjutan Lampiran 4. Uji Stasioneritas data dan Uji First Difference 3.
PS PS 14.0
13.6
13.2
12.8
12.4
12.0 2006
2007
2008
2009
2010
Null Hypothesis: PS has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=10)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-2.897658 -3.546099 -2.911730 -2.593551
0.0516
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(PS) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=10)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-7.137961 -3.548208 -2.912631 -2.594027
0.0000
63
Lampiran 5. Uji Kausalitas Granger Pairwise Granger Causality Tests Date: 06/13/11 Time: 16:10 Sample: 2006M01 2010M12 Lags: 2 Null Hypothesis:
Obs
F-Statistic
Prob.
PP does not Granger Cause ABS_ ABS_ does not Granger Cause PP
57
0.24442 2.37299
0.8649 0.0813
PS does not Granger Cause ABS_ ABS_ does not Granger Cause PS
57
0.36918 1.18651
0.7756 0.3244
PS does not Granger Cause PP PP does not Granger Cause PS
57
0.21871 1.26458
0.8830 0.2966
64
Lampiran 6. Penentuan Lag Optimum VAR Lag Order Selection Criteria Endogenous variables: ABS_ PP PS Exogenous variables: C Date: 06/13/11 Time: 16:11 Sample: 2006M01 2010M12 Included observations: 58 Lag
LogL
LR
FPE
AIC
SC
HQ
0 1 2
-113.5871 -16.14339 2.709548
NA 181.4470 33.15517*
0.011183 0.000530 0.000378*
4.020246 0.970462 0.630705*
4.126821 1.396760 1.376728*
4.061759 1.136514 0.921296*
* 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
65
Lampiran 7. Uji Kointegrasi Date: 06/13/11 Time: 16:12 Sample (adjusted): 2006M05 2010M12 Included observations: 56 after adjustments Trend assumption: No deterministic trend Series: ABS_ PP PS Lags interval (in first differences): 1 to 3 Unrestricted Cointegration Rank Test (Trace) Hypothesized No. of CE(s)
Eigenvalue
Trace Statistic
0.05 Critical Value
Prob.**
None * At most 1 At most 2
0.328122 0.045937 0.000977
24.95816 2.688157 0.054723
24.27596 12.32090 4.129906
0.0410 0.8848 0.8480
Trace test indicates 1 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
66
Lampiran 8. Estimasi VECM Vector Error Correction Estimates Date: 09/25/11 Time: 13:17 Sample (adjusted): 4 60 Included observations: 57 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:
CointEq1
ABS01(-1)
1.000000
PP(-1)
0.930352 (0.47652) [ 1.95240]
PS(-1)
2.870379 (1.10599) [ 2.59531]
C
-2795235.
Error Correction:
D(ABS01)
D(PP)
D(PS)
CointEq1
-0.038906 (0.02248) [-1.73044]
-0.007035 (0.02904) [-0.24227]
-0.084682 (0.02752) [-3.07669]
D(ABS01(-1))
-0.176024 (0.13978) [-1.25930]
0.300843 (0.18053) [ 1.66641]
0.398248 (0.17111) [ 2.32738]
D(ABS01(-2))
0.127201 (0.13435) [ 0.94679]
0.142114 (0.17352) [ 0.81900]
0.073032 (0.16447) [ 0.44405]
D(PP(-1))
-0.170899 (0.11245) [-1.51971]
-0.508079 (0.14524) [-3.49816]
0.189922 (0.13766) [ 1.37960]
D(PP(-2))
0.013976 (0.11284) [ 0.12386]
0.064464 (0.14574) [ 0.44231]
0.330016 (0.13814) [ 2.38903]
D(PS(-1))
0.194146 (0.10383) [ 1.86978]
-0.014591 (0.13411) [-0.10880]
0.036721 (0.12711) [ 0.28889]
67
Lanjutan Lampiran 8. Estimasi VECM D(PS(-2))
0.023303 (0.10618) [ 0.21947]
-0.025579 (0.13714) [-0.18652]
-0.210194 (0.12998) [-1.61708]
C
14775.10 (14869.7) [ 0.99364]
26776.16 (19205.1) [ 1.39422]
-16950.82 (18203.1) [-0.93120]
0.216320 0.104365 5.52E+11 106138.2 1.932215 -736.2018 26.11234 26.39909 10432.32 112151.9
0.304112 0.204699 9.21E+11 137083.7 3.059085 -750.7852 26.62404 26.91079 20622.28 153716.4
0.305117 0.205847 8.27E+11 129931.7 3.073631 -747.7310 26.51688 26.80362 -1082.351 145801.9
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
3.43E+30 2.18E+30 -2233.565 79.31806 80.28582
68
Lampiran 9. Uji Stabilitas Model Roots of Characteristic Polynomial Endogenous variables: ABS_ PP PS Exogenous variables: C Lag specification: 1 2 Date: 07/14/11 Time: 16:02 Root 0.959089 0.790458 -0.617894 0.465037 - 0.213163i 0.465037 + 0.213163i -0.156347 No root lies outside the unit circle. VAR satisfies the stability condition.
Modulus 0.959089 0.790458 0.617894 0.511564 0.511564 0.156347
69
Lampiran 10. Impulse Response Function (IRF) 4.
Apabila ABS di impuls (shock) Respon Variabel ABS Terhadap Shock Variabel ABS 1.0
0.9
0.8
0.7
0.6
0.5 5
10
15
20
25
30
35
40
45
50
Respon Variabel PP Terhadap Shock Variabel ABS .30
.25
.20
.15
.10
.05
.00 5
10
15
20
25
30
35
40
45
50
Respon Variabel PS Terhadap Shock Variabel ABS .4 .3 .2 .1 .0 -.1 -.2 -.3 5
10
15
20
25
30
35
40
45
50
70
Lanjutan Lampiran 10. Impulse Response Function (IRF) 5.
Apabila variabel PP diimpuls (shock) Respon Variabel PP Terhadap Shock Variabel PP 1.0
0.9
0.8
0.7
0.6
0.5
0.4 5
10
15
20
25
30
35
40
45
50
Respon Variabel ABS Terhadap Shock Variabel PP .00
-.05
-.10
-.15
-.20
-.25
-.30 5
10
15
20
25
30
35
40
45
50
Respon Variabel PS Terhadap Shock Variabel PP .24 .20 .16 .12 .08 .04 .00 -.04 -.08 -.12 5
10
15
20
25
30
35
40
45
50
71
Lanjutan Lampiran 10. Impulse Response Function (IRF) 6.
Apabila variabel PS di impuls (shock) Respon Variabel PS Terhadap Shock Variabel PS 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 5
10
15
20
25
30
35
40
45
50
Respon Variabel ABS Terhadap Shock Variabel PS .10 .05 .00 -.05 -.10 -.15 -.20 -.25 -.30 5
10
15
20
25
30
35
40
45
50
Respon Variabel PP Terhadap Shock Variabel PS .00 -.02 -.04 -.06 -.08 -.10 -.12 -.14 5
10
15
20
25
30
35
40
45
50
72
Lanjutan Lampiran 10. Impulse Response Function (IRF) 1.
Response of ABS
Response of ABS01: Period ABS01 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
106138.2 84625.15 92821.46 79042.10 72384.50 65625.42 61477.87 58843.07 57155.52 56360.01 55871.18 55706.68 55609.66 55607.96 55608.05 55627.49 55638.30 55650.56 55656.86 55662.02 55664.41 55666.08 55666.74 55667.14 55667.24 55667.29 55667.26 55667.25 55667.22 55667.20 55667.19 55667.18 55667.18 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17 55667.17
PP
PS
0.000000 -27774.37 -9709.864 -27828.82 -25497.38 -34266.21 -32616.87 -35796.92 -35360.64 -36412.82 -36139.73 -36434.73 -36317.67 -36391.56 -36335.43 -36350.71 -36328.70 -36331.47 -36323.28 -36323.83 -36321.21 -36321.46 -36320.72 -36320.87 -36320.70 -36320.79 -36320.76 -36320.80 -36320.80 -36320.82 -36320.82 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83 -36320.83
0.000000 10504.31 -4259.531 -16138.20 -22636.35 -25997.53 -28874.64 -30600.33 -31398.08 -31746.44 -31923.82 -31992.03 -31993.54 -31976.71 -31958.85 -31944.44 -31932.95 -31925.41 -31920.79 -31918.22 -31916.79 -31916.10 -31915.80 -31915.70 -31915.69 -31915.72 -31915.74 -31915.77 -31915.79 -31915.80 -31915.81 -31915.81 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82 -31915.82
73
Lanjutan Lampiran 10. Impulse Response Function (IRF) 2.
Response of PP
Response of PP: Period ABS01 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
3519.977 32037.27 23461.25 27182.85 21426.96 20573.36 17767.60 17031.94 15962.93 15661.90 15324.06 15250.14 15167.72 15163.44 15151.49 15159.43 15161.34 15167.03 15169.34 15171.96 15173.03 15173.96 15174.31 15174.57 15174.64 15174.69 15174.69 15174.69 15174.68 15174.67 15174.66 15174.66 15174.66 15174.66 15174.66 15174.66 15174.66 15174.65 15174.65 15174.65 15174.65 15174.66 15174.66 15174.66 15174.66 15174.66 15174.66 15174.66 15174.66 15174.66
PP
PS
137038.5 66259.75 101647.7 78812.82 89542.88 81245.70 83938.62 81282.23 82138.56 81277.56 81543.38 81295.53 81397.09 81328.26 81366.24 81349.21 81363.84 81359.72 81364.92 81363.92 81365.66 81365.35 81365.87 81365.74 81365.89 81365.83 81365.86 81365.83 81365.84 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83 81365.83
0.000000 -4430.528 -3980.139 -7034.302 -10231.47 -12472.71 -13536.87 -14315.74 -14777.90 -15030.72 -15127.51 -15175.18 -15189.70 -15191.19 -15185.19 -15179.82 -15175.14 -15171.93 -15169.65 -15168.34 -15167.57 -15167.18 -15166.98 -15166.90 -15166.88 -15166.88 -15166.89 -15166.90 -15166.90 -15166.91 -15166.91 -15166.91 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92 -15166.92
74
Lanjutan Lampiran 10. Impulse Response Function (IRF) 3.
Response of PS
Response of PS: Period ABS01 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
24593.73 53191.45 32214.32 17369.42 1164.198 -7933.972 -15351.10 -19545.52 -22132.24 -23373.87 -24050.88 -24323.58 -24424.53 -24428.88 -24409.31 -24380.99 -24357.44 -24339.31 -24327.58 -24320.19 -24315.99 -24313.69 -24312.58 -24312.08 -24311.92 -24311.90 -24311.93 -24311.98 -24312.02 -24312.05 -24312.07 -24312.08 -24312.09 -24312.09 -24312.09 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10 -24312.10
PP
PS
7344.053 21058.82 32753.12 3681.178 -3146.621 -7309.878 -9106.543 -12145.17 -13061.16 -13530.64 -13654.41 -13806.98 -13806.82 -13793.50 -13766.36 -13753.93 -13739.48 -13730.89 -13724.73 -13721.89 -13720.00 -13719.18 -13718.74 -13718.64 -13718.60 -13718.63 -13718.66 -13718.69 -13718.71 -13718.73 -13718.74 -13718.74 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75 -13718.75
127371.4 101088.5 51580.63 36934.68 33505.97 25966.73 19989.12 17674.20 16872.26 16262.83 15931.02 15871.87 15905.07 15934.60 15961.68 15988.35 16008.45 16020.41 16027.36 16031.46 16033.68 16034.68 16035.07 16035.18 16035.18 16035.13 16035.07 16035.03 16034.99 16034.97 16034.96 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95 16034.95
75
Lampiran 11. Forecast Error Variance Decomposition (FEVD) 1.
FEVD of ABS
Period
S.E.
ABS01
PP
PS
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
106138.2 138955.0 167441.8 187934.3 204258.0 218810.6 231420.0 243383.4 254437.6 265044.6 275128.1 284867.8 294252.7 303354.2 312182.1 320770.8 329133.7 337291.0 345255.3 353040.6 360657.8 368117.8 375429.5 382601.5 389641.6 396556.7 403353.3 410037.3 416614.0 423088.5 429465.4 435749.0 441943.2 448051.9 454078.3 460025.9 465897.5 471696.0 477424.1 483084.3 488678.9 494210.2 499680.3 505091.1 510444.6 515742.5 520986.6 526178.4 531319.4 536411.2
100.0000 95.43333 96.45401 94.25508 92.35023 89.46985 87.04283 84.54130 82.40111 80.45944 78.79372 77.32194 76.03995 74.90584 73.90229 73.00516 72.19994 71.47217 70.81149 70.20864 69.65640 69.14852 68.67988 68.24605 67.84330 67.46840 67.11855 66.79133 66.48460 66.19651 65.92539 65.66981 65.42845 65.20016 64.98391 64.77878 64.58392 64.39858 64.22208 64.05381 63.89320 63.73974 63.59296 63.45244 63.31778 63.18862 63.06464 62.94553 62.83101 62.72082
0.000000 3.995214 3.087724 4.643754 5.489416 7.235945 8.455371 9.807818 10.90555 11.93756 12.80402 13.57929 14.25024 14.84711 15.37399 15.84594 16.26922 16.65207 16.99952 17.31664 17.60711 17.87426 18.12077 18.34896 18.56081 18.75801 18.94203 19.11415 19.27549 19.42703 19.56963 19.70407 19.83103 19.95110 20.06485 20.17275 20.27525 20.37274 20.46557 20.55408 20.63857 20.71929 20.79649 20.87041 20.94124 21.00917 21.07438 21.13704 21.19728 21.25524
0.000000 0.571461 0.458270 1.101171 2.160358 3.294205 4.501797 5.650878 6.693340 7.602996 8.402266 9.098772 9.709814 10.24705 10.72372 11.14890 11.53085 11.87576 12.18899 12.47471 12.73649 12.97721 13.19935 13.40498 13.59589 13.77359 13.93942 14.09452 14.23991 14.37647 14.50497 14.62612 14.74053 14.84873 14.95124 15.04847 15.14084 15.22869 15.31234 15.39211 15.46824 15.54098 15.61055 15.67716 15.74099 15.80220 15.86097 15.91743 15.97171 16.02395
76
Lanjutan Lampiran 11. Forecast Error Variance Decomposition (FEVD) 2.
FEVD of PP
Period
S.E.
ABS01
PP
PS
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
137083.7 155654.5 187421.6 205247.9 225185.3 240599.5 255798.2 269322.4 282408.4 294672.3 306504.1 317831.1 328790.0 339378.6 349654.8 359633.7 369346.2 378809.0 388042.2 397060.5 405879.0 414509.8 422964.6 431253.7 439386.4 447371.4 455216.3 462928.2 470513.8 477979.0 485329.4 492570.2 499706.0 506741.3 513680.3 520526.8 527284.4 533956.5 540546.3 547056.7 553490.5 559850.3 566138.8 572358.1 578510.6 584598.3 590623.3 596587.5 602492.6 608340.4
0.065934 4.287451 4.524196 5.526459 5.496581 5.546031 5.389015 5.261308 5.104516 4.970965 4.844553 4.735630 4.638019 4.552751 4.476850 4.409537 4.349179 4.294915 4.245776 4.201105 4.160286 4.122848 4.088378 4.056537 4.027032 3.999616 3.974073 3.950219 3.927890 3.906945 3.887259 3.868722 3.851237 3.834715 3.819081 3.804263 3.790200 3.776836 3.764120 3.752005 3.740450 3.729418 3.718872 3.708783 3.699120 3.689858 3.680972 3.672440 3.664240 3.656354
99.93407 95.63153 95.37482 94.27188 94.12945 93.85764 93.80336 93.72760 93.70210 93.67273 93.65825 93.64401 93.63441 93.62543 93.61824 93.61164 93.60589 93.60063 93.59590 93.59156 93.58761 93.58397 93.58062 93.57751 93.57464 93.57197 93.56948 93.56716 93.56498 93.56294 93.56103 93.55922 93.55752 93.55591 93.55439 93.55294 93.55157 93.55027 93.54903 93.54785 93.54673 93.54565 93.54462 93.54364 93.54270 93.54180 93.54093 93.54010 93.53930 93.53853
0.000000 0.081019 0.100980 0.201659 0.373972 0.596330 0.807624 1.011092 1.193384 1.356301 1.497201 1.620356 1.727572 1.821815 1.904913 1.978827 2.044933 2.104456 2.158325 2.207331 2.252106 2.293185 2.331007 2.365948 2.398326 2.428413 2.456443 2.482622 2.507126 2.530111 2.551714 2.572057 2.591246 2.609376 2.626534 2.642794 2.658227 2.672893 2.686848 2.700143 2.712823 2.724931 2.736503 2.747575 2.758179 2.768343 2.778095 2.787458 2.796457 2.805111
77
Lanjutan Lampiran 11. Forecast Error Variance Decomposition (FEVD) 3.
FEVD of PS
Period
S.E.
ABS01
PP
PS
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
129931.7 174281.2 187470.1 191897.0 194829.0 196847.7 198663.4 200771.2 203111.2 205543.3 208006.6 210477.9 212934.5 215364.9 217766.3 220139.4 222485.3 224805.0 227099.9 229371.2 231619.8 233846.5 236052.2 238237.4 240402.7 242548.6 244675.8 246784.6 248875.5 250949.0 253005.6 255045.5 257069.3 259077.3 261069.8 263047.2 265009.9 266958.1 268892.2 270812.5 272719.3 274612.9 276493.5 278361.3 280216.8 282060.0 283891.3 285710.8 287518.8 289315.5
3.582766 11.30634 12.72426 12.96324 12.57956 12.48533 12.85524 13.53449 14.41179 15.36591 16.34106 17.29508 18.21403 19.09189 19.92956 20.72879 21.49254 22.22348 22.92413 23.59661 24.24281 24.86434 25.46269 26.03915 26.59492 27.13111 27.64874 28.14875 28.63204 29.09941 29.55166 29.98949 30.41360 30.82460 31.22311 31.60967 31.98483 32.34908 32.70289 33.04669 33.38091 33.70595 34.02218 34.32994 34.62958 34.92141 35.20574 35.48285 35.75301 36.01648
0.319478 1.637618 4.467703 4.300748 4.198359 4.250592 4.383369 4.657752 4.964566 5.281114 5.587689 5.887560 6.172926 6.444592 6.702873 6.949487 7.185073 7.410620 7.626841 7.834435 8.033936 8.225848 8.410607 8.588617 8.760242 8.925821 9.085669 9.240077 9.389319 9.533650 9.673307 9.808514 9.939480 10.06640 10.18946 10.30884 10.42469 10.53717 10.64643 10.75260 10.85581 10.95618 11.05384 11.14888 11.24141 11.33153 11.41933 11.50490 11.58833 11.66969
96.09776 87.05604 82.80804 82.73602 83.22208 83.26407 82.76139 81.80776 80.62365 79.35297 78.07125 76.81736 75.61305 74.46351 73.36757 72.32172 71.32239 70.36590 69.44903 68.56895 67.72326 66.90981 66.12671 65.37224 64.64484 63.94307 63.26559 62.61117 61.97864 61.36694 60.77503 60.20199 59.64692 59.10900 58.58743 58.08149 57.59048 57.11375 56.65068 56.20071 55.76327 55.33786 54.92399 54.52118 54.12901 53.74706 53.37493 53.01225 52.65866 52.31383
78
Lampiran 12. Regresi Model Minitab 1.
ABS
The regression equation is ABS = 55082 + 0,271 ABSlag-2 + 0,603 ABSlag-1 + 0,152 PPlag-2 - 0,163 PPlag-1 + 0,046 PP - 0,194 PSlag-2 - 0,014 PSlag-1 + 0,212 PS 58 cases used, 2 cases contain missing values Predictor Constant ABSlag-2 ABSlag-1 PPlag-2 PPlag-1 PP PSlag-2 PSlag-1 PS
Coef 55082 0,2707 0,6030 0,1518 -0,1634 0,0458 -0,1941 -0,0143 0,2116
S = 108984
SE Coef 65878 0,1446 0,1349 0,1142 0,1106 0,1150 0,1113 0,1413 0,1074
R-Sq = 68,4%
T 0,84 1,87 4,47 1,33 -1,48 0,40 -1,74 -0,10 1,97
P 0,407 0,067 0,000 0,190 0,146 0,692 0,088 0,920 0,055
R-Sq(adj) = 63,2%
Analysis of Variance Source Regression Residual Error Total Source ABSlag-2 ABSlag-1 PPlag-2 PPlag-1 PP PSlag-2 PSlag-1 PS
DF 1 1 1 1 1 1 1 1
DF 8 49 57
SS 1,25962E+12 5,82001E+11 1,84162E+12
MS 1,57452E+11 11877561250
F 13,26
P 0,000
Seq SS 7,80509E+11 3,38929E+11 16190838817 20417138809 4595557033 25655621983 27234254538 46088391978
Unusual Observations Obs 37 58
ABSlag-2 453095 787598
ABS 110225 1096320
Fit 384270 810258
SE Fit 37215 52422
Residual -274045 286062
St Resid -2,68R 2,99R
R denotes an observation with a large standardized residual.
79
Lanjutan Lampiran 12. Regresi Model Minitab 2.
PP
The regression equation is PP = 3052 - 0,137 ABSlag-2 + 0,070 ABS + 0,230 ABSlag-1 + 0,506 PPlag-2 + 0,439 PPlag-1 - 0,083 PSlag-1 - 0,013 PSlag-2 + 0,054 PS 58 cases used, 2 cases contain missing values Predictor Constant ABSlag-2 ABS ABSlag-1 PPlag-2 PPlag-1 PSlag-1 PSlag-2 PS
Coef 3052 -0,1365 0,0705 0,2299 0,5064 0,4390 -0,0830 -0,0127 0,0539
S = 135222
SE Coef 82318 0,1847 0,1770 0,1958 0,1247 0,1254 0,1750 0,1424 0,1383
R-Sq = 92,3%
T 0,04 -0,74 0,40 1,17 4,06 3,50 -0,47 -0,09 0,39
P 0,971 0,463 0,692 0,246 0,000 0,001 0,637 0,929 0,699
R-Sq(adj) = 91,1%
Analysis of Variance Source Regression Residual Error Total Source ABSlag-2 ABS ABSlag-1 PPlag-2 PPlag-1 PSlag-1 PSlag-2 PS
DF 1 1 1 1 1 1 1 1
DF 8 49 57
SS 1,07516E+13 8,95967E+11 1,16476E+13
MS 1,34395E+12 18285037386
F 73,50
P 0,000
Seq SS 9,17696E+11 4,64125E+11 38991136766 9,07958E+12 2,43088E+11 5089703302 291130895 2774251520
Unusual Observations Obs 32 51 57
ABSlag-2 674443 615967 754315
PP 1112455 1409743 1093771
Fit 764775 1151796 1433272
SE Fit 36611 45087 43594
Residual 347680 257947 -339501
St Resid 2,67R 2,02R -2,65R
R denotes an observation with a large standardized residual.
80
Lanjutan Lampiran 12. Regresi Model Minitab 3.
PS
The regression equation is PS = 171560 - 0,154 ABSlag-2 - 0,114 ABSlag-1 + 0,347 ABS - 0,132 PPlag-2 - 0,011 PPlag-1 + 0,057 PP - 0,094 PSlag-2 + 0,786 PSlag-1 58 cases used, 2 cases contain missing values Predictor Constant ABSlag-2 ABSlag-1 ABS PPlag-2 PPlag-1 PP PSlag-2 PSlag-1
Coef 171560 -0,1539 -0,1143 0,3467 -0,1317 -0,0110 0,0573 -0,0945 0,7865
S = 139500
SE Coef 81310 0,1903 0,2042 0,1760 0,1476 0,1447 0,1471 0,1463 0,1418
R-Sq = 65,6%
T 2,11 -0,81 -0,56 1,97 -0,89 -0,08 0,39 -0,65 5,55
P 0,040 0,423 0,578 0,055 0,376 0,940 0,699 0,521 0,000
R-Sq(adj) = 59,9%
Analysis of Variance Source Regression Residual Error Total Source ABSlag-2 ABSlag-1 ABS PPlag-2 PPlag-1 PP PSlag-2 PSlag-1
DF 1 1 1 1 1 1 1 1
DF 8 49 57
SS 1,81498E+12 9,53556E+11 2,76854E+12
MS 2,26873E+11 19460317088
F 11,66
P 0,000
Seq SS 70238068057 66097689382 51509908081 6,58509E+11 3802030617 304722625 3,65826E+11 5,98695E+11
Unusual Observations Obs 5 6 20
ABSlag-2 286614 469908 527871
PS 818293 351468 1148252
Fit 537095 801953 880311
SE Fit 56472 59984 49818
Residual 281198 -450485 267941
St Resid 2,20R -3,58R 2,06R
R denotes an observation with a large standardized residual.
