ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR HONDA TIPE BEBEK, MATIK, DAN SPORT DI PT. CATUR PUTRA JAYA MENGGUNAKAN METODE KOINTEGRASI
BOB MARSHALL SITORUS
DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Analisis Peramalan Penjualan Sepeda Motor Honda Tipe Bebek, Matik, dan Sport di PT. Catur Putra Jaya Menggunakan Metode Kointegrasi adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, November 2013 Bob Marshall Sitorus NIM H24090106
ABSTRAK BOB MARSHALL SITORUS. Analisis Peramalan Penjualan Sepeda Motor Honda Tipe Bebek, Matik, dan Sport di PT. Catur Putra Jaya Menggunakan Metode Kointegrasi. Dibimbing oleh ABDUL BASITH. Kegiatan forecasting ditujukan untuk mengurangi ketidakpastian akan sesuatu yang belum terjadi di masa depan; memang tidak ada satu metode pun yang dapat menghilangkan ketidakpastian. Tujuan penelitian ini yaitu menganalisis hubungan kointegrasi antara tipe sepeda motor bebek, matik dan sport, untuk mendapatkan prediksi atau ramalan pencapaian penjualan sepeda motor pada tahun 2013, serta bagaimana kointegrasi produk dan ramalan penjualan memiliki kontribusi dalam perencanaan strategi yang mungkin diterapkan perusahaan dan keunggulan dengan perusahaan pesaing. Data yang digunakan pada penelitian ini adalah data sekunder. Analisis data dilakukan dengan menggunakkan vector autoregression, uji stasioneritas data, uji kausalitas Granger, uji lag optimum, uji kointegrasi, estimasi VECM, uji stabilitas model, impuls respons function dan foercast error decomposition variance. Berdasarkan hasil analisis yang dilakukan, ditemukan adanya kointegrasi antar variabel. Variabel Sport memiliki pengaruh positif paling besar terhadap variabel Bebek dan Matik. Oleh karena itu peran produk Sport menjadi penting karena peningkatan penjualan produk Sport akan mempengaruhi naiknya pula penjualan produk Bebek dan Matik. Kata kunci: kointegrasi, penjualan, peramalan
ABSTRACT BOB MARSHALL SITORUS. Forecasting Analysis for Honda Motorcycle Matic, Bebek, and Sport Type Sale with Cointegration Method at Catur Putra Jaya. Supervised by ABDUL BASITH. Forecasting is used to minimize uncertainty of future, though there is not a single method can erase any of uncertainty. The aim of this research is to analyse the relation of cointegration between the type of motorcycle such as Bebek, Matik, and Sport. The cointegration can be used to forecast the number of the motorcycle sale in 2013, and also help the management to arange the strategy to be used by the company to lead the marketing and compete others. The data that is used in this research is secondary data. The analysis is being done with vector autoregression, data stationarity test, Granger causality test, lag optimum test, cointegration test, VECM estimation, data stability test, impulse response funtion, and forecast error decomposition variance Based on the result of the analysis, is found that there is exist the cointegration between variabels. Sport gives the biggest positive efect to Bebek and Matik. That is why Sport has important role in sale, because the increasing of Sport sale will raise the sale of Bebek and Matik. Keywords: cointegration, forecasting, sale
ANALISIS PERAMALAN PENJUALAN SEPEDA MOTOR HONDA TIPE BEBEK, MATIK, DAN SPORT DI PT. CATUR PUTRA JAYA MENGGUNAKAN METODE KOINTEGRASI
BOB MARSHALL SITORUS
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Manajemen
DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2013
Judul Skripsi: Analisis Peramalan Penjualan Sepeda Motor Honda Tipe Bebek, Matik, dan Sport di PT. Catur Putra Jaya Menggunakan Metode Kointegrasi Nama : Bob Marshall Sitorus NIM : H24090106
Disetujui oleh
...
~ Pembimbing
STP MM
Tanggal Lulus:
o2 DEC
2013
iii Judul Skripsi : Analisis Peramalan Penjualan Sepeda Motor Honda Tipe Bebek, Matik, dan Sport di PT. Catur Putra Jaya Menggunakan Metode Kointegrasi Nama : Bob Marshall Sitorus NIM : H24090106
Disetujui oleh
Dr Ir Abdul Basith, MS Pembimbing
Diketahui oleh
Dr Mukhamad Najib, STP, MM Ketua Departemen
Tanggal Lulus:
iv
PRAKATA Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Mei 2013 ini ialah peramalan, dengan judul Analisis Peramalan Penjualan Sepeda Motor Honda Tipe Bebek, Matik, dan Sport di Catur Putra Jaya Menggunakan Metode Kointegrasi. Terima kasih penulis ucapkan kepada Bapak Dr Ir Abdul Basith, MS selaku pembimbing, serta pihak-pihak yang telah banyak memberi saran. Di samping itu, penghargaan penulis sampaikan kepada Bapak Harno Wiracakseno dari PT. Catur Putra Jaya yang telah membantu selama pengumpulan data. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.
Bogor, November 2013 Bob Marshall Sitorus
v
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
3
Tujuan Penelitian
3
Manfaat Penelitian
3
Ruang Lingkup Penelitian
3
METODE Prosedur Analisis Data HASIL DAN PEMBAHASAN
3 5 10
Sejarah Perusahaan
10
Produk-Produk Perusahaan
10
Hasil Analisis
11
Implikasi Manajerial
23
SIMPULAN DAN SARAN
24
DAFTAR PUSTAKA
25
RIWAYAT HIDUP
40
vi
DAFTAR TABEL
1. Durasi indent sepeda motor di PT. Catur Putra Jaya 2. Hasil uji stasioner 3. Hasil first difference 4. Uji kausalitas Granger 5. Hasil uji lag optimum 6. Hasil uji kointegrasi 7. Hasil estimasi VECM 8. Hasil uji stabilitas model 9. Hasil peramalan Matik 10. Hasil peramalan Bebek 11. Hasil peramalan Sport
2 12 12 13 13 14 14 15 21 22 23
DAFTAR GAMBAR 1. Kerangka pemikiran 2. Hasil analisis impulse response function (IRF) Matik ke Matik 3. Hasil analisis impulse response function (IRF) Bebek ke Matik 4. Hasil analisis impulse response function (IRF) Sport ke Matik 5. Hasil analisis impulse response function (IRF) Bebek ke Bebek 6. Hasil analisis impulse response function (IRF) 7. Hasil Analisis impulse response function (IRF) 8. Hasil analisis impulse response function (IRF) 9. Hasil analisis impulse response function (IRF) Matik ke Sport 10. Hasil analisis impulse response function (IRF) Bebek ke Sport 11. Variance decomposition of Matik 12. Variance decomposition of Bebek 13. Variance decomposition of Sport
4 16 16 17 17 18 18 19 19 20 20 21 22
DAFTAR LAMPIRAN 1. Laporan penjualan PT. Catur Putra Jaya Bekasi 2. Uji stasioneritas Matik 3. Uji stasioneritas Bebek 4. Uji stasioneritas Sport 5. Uji stasioneritas Matik setelah first difference 6. Uji stasioneritas Bebek setelah first difference 7. Uji stasioneritas Sport setelah first difference 8. Uji kausalitas Granger 9. Uji lag optimum 10. Uji kointegrasi 11. Estimasi VECM 12. Uji stabilitas model 13. Impuls response of Matik
26 27 27 27 27 28 28 28 29 29 29 30 32
vii 14. Impuls response of Bebek 15. Impuls response of Sport 16. Variance decomposition of MATIK 17. Variance decomposition of BEBEK 18. Variance decomposition of SPORT 19. Hasil regresi model Minitab
33 34 35 36 37 38
1
PENDAHULUAN Indonesia merupakan salah satu negara berkembang di dunia. Dalam dunia bisnis, Indonesia merupakan lahan subur bagi para investor baik dalam negeri maupun luar negeri. Perkembangan teknologi yang sangat pesat dan pola hidup masyarakat yang tergolong konsumtif sehingga menimbulkan ketatnya persaingan antar perusahaan. Salah satu bisnis yang berkembang pesat adalah bisnis otomotif. Tahun 2012, pemasukan dari industri sepeda motor terhadap produk domestik bruto (PDB) nasional mencapai Rp 120 triliun. Sedangkan nilai investasi yang ditanamkan produsen domestik maupun asing sebesar US$ 7 miliar atau Rp 67,3 triliun. (Subagjo 2005) Latar Belakang PT. Catur Putra Jaya didirikan pada 20 Agustus 2002 dan resmi beroperasi sebagai dealer resmi sepeda motor Honda pada tanggal 16 April 2003 dengan menyewa sebuah ruko yang beralamat Jl. Perjuangan Kav 17-19, Komplek Wisma Asri, Teluk Pucung, Bekasi Utara, Jawa Barat. PT. Catur Putra Jaya terus tumbuh dan berkembang secara berkesinambungan dan konsisten dari tahun ke tahun sehingga saat ini menjadi dealer terbesar di Jawa Barat. Bisnis main dealership ini terus berkembang, sehingga pada tahun 2005, I Made Wija memutuskan untuk menambah jaringan perusahaan dengan mendirikan kantor cabang di kota Depok, serta lebih melibatkan para profesional untuk mengelola perusahaan. Praktek manajemen modern serta teknologi semakin dimanfaatkan dalam rangka meningkatkan efektivitas dan efisiensi proses. Sumber daya manusia juga terus-menerus dibenahi dan ditingkatkan kualitasnya. Fasilitas dan infrastruktur pendukung pun terus dilengkapi dan diperkuat agar perusahaan semakin kompetitif untuk dapat memenangkan kompetisi dalam dunia otomotif. Dengan adanya komputer sebagai alat pengolah data, maka semua bidang dalam suatu perusahaan ataupun instansi dapat dikomputerisasikan, dalam hal ini bidang-bidang yang dianggap penting dan utama karena hal ini dapat mendukung keberhasilan suatu perusahaan dalam mencapai tujuannya. Namun sering kali konsumen dihadapkan pada kasus dimana produk yang diinginkan tidak ready stock. Hal ini akan mengharuskan konsumen untuk indent pemesanan. Durasi indent itu sendiri berbeda-beda setiap produk. Hal ini tentu saja membuat loyalitas konsumen rendah. Berikut adalah data mengenai durasi indent yang diperlukan dalam proses pemesanan produk sepeda motor di PT. Catur Putra Jaya Bekasi. Demi memenuhi kepuasan konsumen, PT. Catur Putra Jaya perlu mempersingkat durasi indent. Agar waktu yang diperlukan dalam masa menunggu produk dapat lebih singkat maka ada beberapa hal yang dapat dilakukan oleh PT. Catur Putra Jaya. (Pearce and Robinson 1997)
2
Tabel 1 Durasi indent sepeda motor di PT. Catur Putra Jaya No. 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
Tipe Motor Revo Fit Revo Spoke Revo CW Revo Techno AT New Supra X 125 Spoke New Supra X 125 CW New Supra X 125 Helm-In PGM FI New Mega Pro Spoke New Mega Pro CW New Tiger Single Head CW New Tiger Double Head CW New Blade CW New Blade Repsol CBR 150 STD CBR 150 Repsol CBR 250 R STD CBR 250 R ABS New Vario CW New Vario Techno 125 PGM FI New Vario Techno CBS 125 PGM FI New Beat PGM FI CW New Beat PGM FI CW CBS New Spacy Helm In PGM FI Spoke New Spacy Helm In PGM FI CW New Scoopy PCX 150 New CB150R New Honda Verza 150 City Sport One ( CS1) Sumber: PT. Catur Putra Jaya Bekasi
Durasi Indent ready stock ready stock ready stock ready stock ready stock ready stock ready stock ready stock 1-2 minggu 1 bulan 1 bulan ready stock ready stock 1-2 bulan 1-2 bulan 2-4 minggu ready stock ready stock ready stock 3-10 hari 3-7 hari 3-10 hari 3-7 hari ready stock 1-2 minggu 1-2 bulan 7-15 hari 7-15 hari 5-10 hari
Keterangan
warna tertentu
warna tertentu
warna Tertentu
Prediksi penjualan merupakan pilihan yang dapat dilakukan oleh PT. Catur Putra Jaya guna menjaga persediaan dalam kondisi optimal. Dalam melakukan peramalan penjualan, perlu diperhatikan pula hubungan yang terjadi antar produk yang ada. Analisis yang diperlukan merupakan analisis kointegrasi pada setiap variabel produk yang ada.
3 Perumusan Masalah Masalah yang akan dibahas dalam penelitian ini adalah : 1. Bagaimana hubungan produk sepeda motor tipe Bebek, Matik, dan Sport dalam proses penjualan? 2. Berapakah prediksi atau ramalan pencapaian penjualan sepeda motor di PT. Catur Putra Jaya pada tahun 2013? 3. Apakah terdapat kointegrasi produk yang dapat memiliki kontribusi terhadap strategi penjualan perusahaan.
Tujuan Penelitian Berdasarkan perumusan masalah tersebut, maka tujuan dari penelitian ini adalah : 1. Menganalisis hubungan produk sepeda motor tipe Bebek, Matik, dan Sport. 2. Mengetahui prediksi atau ramalan penjualan sepeda motor tipe Bebek, Matik, dan Sport pada tahun 2013 3. Mengetahui kointegrasi produk dan ramalan penjualan memiliki kontribusi dalam perencanaan strategi penjualan yang mungkin diterapkan perusahaan sehingga dapat mempersingkat durasi indent.
Manfaat Penelitian Hasil penelitian ini diharapkan dapat digunakan sebagai bahan referensi dan menjadi tambahan informasi bagi pihak-pihak yang berkaitan untuk meningkatkan penjualan dan sebagai pertimbangan dalam melakukan perencanaan strategi pemasarannya sehingga perusahaan dapat mengembangkan usahanya.
Ruang Lingkup Penelitian Ruang lingkup penelitian ini yaitu analisis peramalan penjualan dengan menggunakan metode kointegrasi pada produk sepeda motor jenis bebek, matik, bebek matik dan sport dari tahun 2010 sampai dengan 2012 pada PT. Catur Putra Jaya di wilayah Bekasi. Dengan menggunakan alat analisis Vector Error Correction Model (VECM) dan untuk peramalan nya menggunakan Impuls Respons Function (IRF) dan Forecast Error Variance Decomposition.
METODE Kerangka pemikiran merupakan modal penting yang diperlukan dalam penelitian dan dapat dijadikan sebagai pemahaman yang paling mendasar dalam setiap tahap penelitian. Salah satu tujuan dari penelitian ini adalah mengetahui metode peramalan penjualan terbaik untuk untuk setiap sepeda motor yang dijual oleh PT. Catur Putra Jaya dalam rangka perencanaan strategi pemasaran.
4
Lokasi pengambilan data untuk keperluan penelitian dilakukan pada sebuah gerai penjualan resmi sepeda motor dengan merek Honda yaitu PT. Catur Putra Jaya. PT. Catur Putra Jaya berlokasi di kota Bekasi. Penentuan lokasi penelitian dilakukan secara sengaja karena Bekasi merupakan salah satu daerah di Jawa Barat dengan pertambahan industri yang cepat dan merupakan salah satu pusat pertumbuhan utama dengan perkembangan industrialisasi dan urbanisasi yang berkembang pesat. Penelitian ini dilaksanakan pada bulan Mei-Juli 2013. PT. CATUR PUTRA JAYA
Melihat hubungan antar produk untuk meramalkan penjualan yang digunakan untuk menyusun strategi yang lebih akurat
Data Penjualan PT. Catur Putra Jaya Bekasi Tahun 2010 – 2013
UJI KOINTEGRASI
TIDAK STASIONER 1. Uji Kausalitas Granger 2. Uji lag optimum 3. Model VECM 4. Uji Stabilitas Model 5. Impulse Respon 6. FEVD
STASIONER 1. Uji Kausalitas Granger 2. Uji lag optimum 3. Hasil Estimasi VAR 4. Uji Stabilitas Model 5. Impulse Response 6. FEVD
HASIL ANALISIS
IMPLIKASI MANAJERIAL Gambar 1 Kerangka pemikiran
5 Sumber data secara keseluruhan diperoleh dari dalam institusi yang menjadi tempat penelitian. Data dan informasi yang digunakan dalam penelitian ini berupa data primer dan data sekunder. Data sekunder diperoleh dari laporan penjualan sepeda motor pada PT. Catur Putra Jaya selama 3 tahun terakhir (2010-2012). Jenis data yang akan digunakan dalam skripsi ini adalah data kuantitaif yaitu berupa laporan penjualan sepeda motor pada PT. Catur Putra Jaya dan data kualitatif yaitu data yang berupa penjelasan serta keterangan dari marketing PT. Catur Putra Jaya. Data yang dikumpulkan kemudian diolah dan dianalisis, sehingga mampu memberikan gambaran dan penjelasan terhadap permasalahan dalam penelitian ini. Pengolahan dan penganalisaan data diharapkan dapat menguraikan langkahlangkah strategis yang dapat dilakukan perusahaan dalam pemasaran dan penjualan sepeda motor. Metode pengolahan dan analisis data yang digunakan dalam penelitian akan diuraikan secara kualitatif dan kuantitatif. Analisis kualitatif digunakan untuk mengetahui keunggulan kompetitif yang dimiliki. Pengolahan kualitatif juga akan menggambarkan keadaan umum perusahaan. Analisis kuantitatif digunakan untuk meramalkan penjualan sepeda motor PT. Catur Putra Jaya selama enam bulan kedepan dengan menggunakan analisis runtut waktu (time series) Data penjualan kemudian ditabulasikan dengan bantuan program komputer Microsoft Excel 2007 dan Eviews 6, dan Minitab 16.1.
Prosedur Analisis Data Data diolah dan dianalisis selanjutnya dibuat plot pola data penjualannya dan data tersebut akan diolah dengan menggunakan metode analisis time series dan metode analisis regresi. Setelah data penjualan dianalisis maka akan dilakukan uji kointegrasi pada data tersebut, sehingga akan diketahui apakah data tersebut stationer atau tidak. Setelah dilakukan uji kointegrasi maka akan mudah untuk menentukan metode peramalan yang akan digunakan, karena data penjualan ini bersifat tidak stationer maka model yang dapat digunakan untuk analisis peramalan adalah Vector Error Correction Model atau VECM. Setelah dilakukan estimasi maka akan diperoleh hasil estimasi VECM, hasil tersebut akan menunjukan peramalan penjualan untuk sepeda motor Bebek, Matik, dan Sport selama kurun waktu 6 bulan ke depan. Vector Autoregression (VAR) Model ekonometri yang sering digunakan dalam analisis makro ekonomi dinamik dan stokastik adalah Vector Autoregession (VAR). VAR merupakan suatu sistem persamaan yang memperlihatkan setiap variabel sebagai fungsi dari konstanta dan nilai lag (lampau) dari variabel itu sendiri serta nilai lag dari variabel yang lain yang ada dalam sistem. Variabel penjelas dalam VAR meliputi nilai lag seluruh variabel tak bebas dalam sistem VAR yang membutuhkan identifikasi retriksi untuk mencapai persamaan melalui interpretasi persamaan. VAR dengan ordo p dan n buah variabel tak bebas pada periode t dapat dimodelkan sebagai berikut : Yt = A0 + A1Yt-1 + A2Yt-2 ...+ ApYt-p +Ɛt ……….. (1) dimana :
6
Yt : Vektor variabel tak bebas (Y1.t, Y2.t, Yɛ.t) A0 : Vektor intersep berukuran n x 1 A1 : Matriks parameter berukuran n x 1 Ɛt : Vektor residual (∑1.t, ∑2.t, ∑3.t) n x 1 Asumsi yang harus di penuhi dalam analisi VAR adalah semua variabel tidak bersifat stasioner, semua sisaan bersifat white noise, yaitu memiliki rataan nol, ragam konstan dan diantara variabel tak bebas tidak ada korelasi. Uji stasioneritas data dapat dilakukan melalui pengujian terhadap ada tidaknya unit root dalam variabel dengan uji Augmented Dickey Fuller (ADF). Adanya unit root akan menghasilkan persamaan regresi yang spurious. Pendeteksian keberadaan kointegrasi ini dapat dilakukan dengan metode Johansen atau Engel-Granger. Jika variabel-variabel tidak terkointegrasi, maka dapat diterapkan VAR standar yang hasilnya akan identik dengan OLS, setelah memastikan variabel tersebut sudah stasioner pada derajat (ordo) yang sama. Jika pengujian membuktikan terdapat vektor kointegrasi, maka dapat diterapkan VECM untuk single equation atau VECM untuk system equation. Uji Stasioneritas Data Salah satu konsep penting yang harus diingat dalam analisa dengan menggunakan data time series adalah kondisi data yang stasioner atau tidak stasioner. Jika estimasi dilakukan dengan menggunakan data yang tidak stasioner maka akan memberikan hasil regresi yang palsu atau disebut sebagai spurious regression (Gujarati 2003). Suporious regression memiliki pengertian bahwa hasil regresi dari satu variabel time series pada satu atau beberapa variabel time series lainnya cenderung untuk menghasilkan kesimpulan hasil estimasi yang bias yang ditunjukkan dengan karakteristik seperti memperoleh hasil R2 yang sangat tinggi (lebih besar dari (0,9) tetapi pada kenyataannya hubungan antara variabel tersebut tidak memiliki arti atau meaningless. Dinyatakan juga bahwa jika R2>d (Dubin Watson statistik), maka kondisi ini merupakan rule of thumb yang baik untuk menduga bahwa hasil estimasi tersebut kemungkinan besar merupakan nonsense/suporious regression. Jika sebuah data time series merupakan data yang stasioner makan studi akan perilaku untuk data tersebut hanya dapat dilakukan untuk periode waktu tertentu (Gujarati 2003). Dengan kata lain bahwa setiap bagian dari data time series tersebut merupakan bagian yang terpisah satu sama lain. Sebagai konsekuensi dari kondisi tersebut adalah tidak mungkin untuk melakukan estimasi secara generalisasi pada periode waktu yang berbeda-beda. Kondisi stochastic process dikatakan stasioner jika rata-rata dan variansnya konstan dalam beberapa periode waktu, dan nilai dari kovarians antara dua waktu yang berbeda tergantung dari lag antara dua periode waktu yang tidak tergantung pada waktu aktual pada saat kovarians dihitung. Bisa juga dikatakan sebagai data time series yang stasioner jika rata-rata, varians dan otokovariansnya dalam berbagai jumlah lag menunjukkan kesamaan saat diukur pada berbagai titik pengukuran. Ada beberapa metode yang dapat digunakan untuk menguji stasioneritas. Dua metode yang paling umum digunakan adalah dengan menggunakan metode pengujian Augmented Dickey-Fuller dan metode pengujian Philip-Peron (Gujarati 2003). Asumsi penting yang digunakan dalam pengujian Dickey-Fuller adalah
7 error-nya secara statistik bersifat independen dan mempunyai varians yang konstan. Kemudian metode dasar ini dikembangkan lagi menjadi metode Augmented Dickey-Fuller dimana ditambahkan lag pada variabel. Sedangkan metode pengujian Philip-Peron menggunakan metode statistik non-parametrik sehingga untuk mengatasi permasalahan serial korelasi tanpa menambahkan lag. Pengujian Philip-Peron, maka H0 adalah mengandung unit root yang menunjukkan kondisi tidak stationer. Bentuk persamaan uji stasioneritas tersebut dapat dituliskan sebagai berikut: ΔYt = α + γrt-1 + ∑pi=1 ßΔYt-i+1 + Ɛ ..................(2) dimana: ΔYt = Bentuk dari first different Α0 = intersep Y = Variabel yang diuji stasioneritasnya P = panjang lag yang digunakan dalam model Ɛ = error term Uji Kausalitas Granger Uji kausalitas Granger digunakan untuk mengevaluasi kemampuan peramalan dari satu peubah deret waktu pada periode sebelumnya terhadap peubah deret waktu lainnya pada periode saat ini. Pada analisa data ekonomi dengan menggunakan metode ekonometri seringkali ditemukan kondisi adanya ketergantungan antara satu variabel dengan satu variabel atau beberapa variabel yang lain dalam model persamaan yang digunakan, atau dapat dikatakan bahwa adanya kemungkinan hubungan kausalitas antar variabel dalam model. Permasalahan inilah yang melandasi akan perlunya pengujian hubungan kausalitas antar variabel dalam model, yang disebut sebagai granger causality test. Misalkan ada dua variabel, yakni A dan B. Pertanyaan yang sering muncul adalah apakah variabel A yang menyebabkan B, ataukah sebaliknya B yang menyebabkan A. Untuk menjawab permasalahan ini maka dilakukan granger causality test untuk memprediksikan hubungan antara kedua variabel tersebut berdasarkan data time series dalam estimasi model. Dengan menggunakan tes ini maka hasil estimasi akan menunjukkan kemungkinankemungkinan seperti ini, yakni (Gujarati 2003): 1. Hubungan kausalitas satu arah dari Bt ke At, yang disebut sebagai uniderectional causality from Bt to At. 2. Hubungan kausalitas satu arah dari At ke Bt yang disebut sebagai uniderectional causality from At to Bt. 3. Kausalitas dua arah atau saling mempengaruhi (bidirectional causality) 4. Tidak terdapat hubungan saling ketergantungan (no causality) Kemudian untuk menguji pola kausalitas Granger dapat dilakukan dengan melakukan uji F-test, dimana hipotesa yang akan digunakan yakni, H0 : B does not granger cause A, ditunjukkan dengan persamaan berikut ini: F = (RSSR - RSSUR) / RSSR (n – k) / m …….. (3) Dimana RSSR (restricted residual sum of squares) diperoleh dari regresi yang dilakukan terhadap A tanpa melibatkan lag variabel B, sedangkan RSS UR (unrestricted residual sum of squares) diperoleh dari regresi yang dilakukan terhadap jumlah observasi dan k adalah jumlah parameter. Nilai (n-k) disebut juga
8
derajat kebebasan atau degree of freedom. Jika nilai F stat>F tabel pada level signifikansi yang ditentukan, maka H0 ditolak atau tidak cukup bukti untuk diterima. Dengan kata lain bahwa B granger cause A. Jika H0 tidak cukup bukti untuk dapat ditolak maka B does not granger cause A. Analisa ini menggunakan software Eviews 6. Dengan menggunakan Eviews, maka tes kausalitas antar variabel dapat dilakukan dengan mudah, dimana lag optimal digunakan. Untuk menguji hipotesa, maka dipermudah dengan membaca probabilitasnya. Dimana jika probabilitas lebih kecil dari alpha (dalam ini penulis menggunakan alpha 5%), maka H0 ditolak atau dengan kata lain variabel B menyebabkan variabel A dan sebaliknya jika probabilitasnya lebih besar dari alpha, maka tidak cukup bukti menolak H0, atau B tidak menyebabkan A, atau tidak ada hubungan kausalitas. Uji Lag Optimum Penentuan lag optimum ini sangat penting dalam model VAR karena pengujian ini bertujuan untuk mengetahui besarnya lag dari variabel endogen dalam sistem persamaan yang akan digunakan sebagai variabel eksogen (Enders 2005). Pengujian panjang lag yang optimal dapat memanfaatkan beberapa informasi yaitu dengan menggunakan Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Untuk dapat menentukan lag ini, maka langkah sebelumnya adalah menentukan nilai determinan dari kovarian residual (|Ω|) yang dapat dihitung sebagai berikut (Eviews 5 User’s Guide 2004): |Ω| = (det ∑t êt ê’t ) .……........... (4) Dimana p adalah angka parameter dari tiap persamaan dalam VAR. Selanjutnya, log likelihood value dengan mengasumsikan distribusi normal dapat dihitung: 1 = - {k(1+log2π) + log|Ω|} .................... (5) Dimana k adalah banyaknya parameter yang diestimasi dan T adalah jumlah observasi. Kemudian dilanjutkan dengan menggunakan nilai AIC, dan SC dipilih nilai yang terkecil. Rumus perhitungannya dapat dilihat dibawah ini (Eviews 5 User’s Guide 2004): AIC -2(l/T)+2(k/T) …………… (6) SC -2(l/T)+k log(T)/T ….........…… (7) Uji Stabilitas VAR Pengujian ini dilakukan karena jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi kesalahan yang tidak stabil, maka IRF (Impulse Response Function) dan FEVD (Forecast Error Variance Decomposition) menjadi tidak valid. (Nugraha 2006). Stabilitas dapat diartikan hasil estimasinya mendekati nol jika model diperpanjang periode waktunya. Sebuah model dikatakan memilik validitas yang tinggi jika inverse akar karakteristiknya mempunyai modulus kurang dari satu atau semuanya berada didalam lingkaran. Jika modulus nya kurang dari satu atau berada dalam lingkaran, maka model cukup stabil. Namun sebaliknya, jika modulus bernilai satu atau lebih dari satu, atau modulus kebanyakan berada diluar lingkaran maka dapat dipastikan bahwa model tersebut kurang stabil. Jika VAR
9 tersebut memiliki tingkat stabilitas yang rendah atau semua inverse akar karakteristiknya berada diluar unit circle, maka hasil dari estimasi model VAR tersebut meragukan. 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 sepeda motor bebek, matik dan sport. Terhadap adanya goncangan (shock) variabel tertentu. IRF juga bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik artinya suatu variabel yang dapat dipengaruhi oleh guncangan tertentu. Apabila suatu variabel tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui melainkan shock secara umum. Forecast Error Variance Decomposition (FEVD) Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-variabel lainnya adalah FEVD. Metode ini mencirikan suatu struktur dinamis dalam model VAR. Dimana dalam metode ini dapat dilihat kekuatan dan kelemahan masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang. FEVD mencirikan ragam dari peramalan galat menjadi komponenkomponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase kuadrat prediksi galat k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, maka akan dapat dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain. Jadi melalui FEVD dapat diketahui secara pasti faktor-faktor yang memberikan kontribusi yang paling signifikan terhadap perubahan dari variabel tertentu. Dalam analisis ini variabel tersebut yaitu variabel sepeda motor Bebek, Matik, dan Sport.
10
HASIL DAN PEMBAHASAN Sejarah Perusahaan PT Astra Honda Motor (AHM) didirikan pada 11 Juni 1971 dengan nama awal PT Federal Motor, merupakan pelopor industri sepeda motor di Indonesia. Sahamnya secara mayoritas dimiliki oleh PT Astra International. Saat itu, PT Federal Motor hanya merakit, sedangkan komponennya diimpor dari Jepang dalam bentuk CKD (completely knock down). Sampai dengan tahun 2013, PT Astra Honda Motor memiliki 3 fasilitas pabrik perakitan, pabrik pertama berlokasi di Sunter, Jakarta Utara yang juga berfungsi sebagai kantor pusat. Pabrik kedua berlokasi di Pegangsaan Dua, Kelapa Gading, serta pabrik ketiga yang berlokasi di kawasan MM 2100 Cikarang Barat, Bekasi. Pabrik ketiga ini merupakan fasilitas pabrik perakitan terbaru yang mulai beroperasi sejak tahun 2005. Guna menunjang kebutuhan serta kepuasan pelanggan sepeda motor Honda, PT Astra Honda Motor didukung oleh 1.800 showroom penjualan, 3.600 layanan pemeliharaan atau bengkel AHASS (Astra Honda Authorized Service Station), serta 7.400 gerai suku cadang, yang siap melayani jutaan penggunaan sepeda motor Honda di seluruh Indonesia. Produk-Produk Perusahaan Sepeda motor tipe Bebek adalah jenis sepeda motor yang pertama dikeluarkan oleh Honda. Supra X 125 R adalah tipe Bebek yang pernah merajai pasaran di Indonesia. Sistem teknologi Bebek yang semakin diperbaiki dengan menggunakan sistem injeksi menghasilkan sistem percepatan roda yang semakin baik dengan sistem pembakaran yang lebih irit. Produk-produk motor Bebek yang dikeluarkan oleh Honda adalah Supra X 125 CW, Supra X 125 Helm in PGM-Fi, Supra X 125 SW, New Blade Racing Edition, New Honda Blade R, New Honda Blade S, Revo Fit, Absolute Revo CW, dan Absolute Revo SW. Harga sepeda motor tipe Bebek ini dimulai dari Rp 11.600.000,- sampai dengan Rp 16.525.000,-. Sepeda motor tipe Matik dikeluarkan oleh Honda untuk mempermudah konsumennya dalam mengendarai sepeda motor. Awalnya Matik dirilis untuk kalangan wanita, namun belakangan motor Matik mulai mengadopsi powerful engine untuk menghasilkan akselarasi kecepatan yang tinggi yang awalnya tidak dimiliki Matik yang semula hanya 110 cc menjadi 125 cc. Matik yang memang menggunakan bahan bakar lebih banyak dibanding jenis Bebek menawarkan kenyamanan dan kemudahan. Sistem injeksi pun dikembangkan pada jenis Matik untuk meningkatkan efisiensi penggunaan bahan bakar sehingga lebih irit. Produk-produk Matik yang dikeluarkan olah Honda adalah PCX 150, Vario 125 CBS Idling Stop, Vario 125 Techno, Vario CW, Scoopy FI, Spacy Helm in PGMFI, BeAT CW, BeAT SW, BeAT-FI Combi Brake System, BeAT-FI CW, dan BeAT-FI SW. Harga sepeda motor tipe Matik ini dimulai dari Rp 11.890.000,sampai dengan Rp 34.300.000,-. Motor Sport Honda yang berkembang di Indonesia dengan kemampuan berkisar dari 125 hingga 250 cc adalah CB150R StreetFire, CBR 150R, CBR 150R Repsol Edition, CBR250R (ABS) - Black Knight, CBR250R (ABS) -
11 Repsol Edition, CBR250R (STD), CBR250R (STD) - Repsol Edition, City Sport 1, Tiger, New MegaPro CW, New MegaPro SW, Verza 150 CW, dan Veza 150 SW. Sepeda motor tipe Sport sangat mengusung kecepatan tinggi yang diinginkan konsumennya. Teknologi mesin dengan sistem kopling membedakan sepeda motor tipe Sport dengan tipe lainnya. Harga sepeda motor tipe Sport ini dimulai dari harga Rp 16.300.000,- sampai dengan Rp. 53.250.000,-. (http://www.astrahonda.com) Hasil Analisis Analisis karakter stasioneritas suatu data urut waktu sangat diperlukan untuk menentukan metode peramalan yang sesuai untuk menemukan hasil estimasi yang signifikan dan memiliki esensi yang berarti. Suatu data urut waktu bersifat stasioner atau tidak stasioner. Dengan mengetahui karakter data urut waktu yang tepat maka metode peramalan yang sesuai dapat ditentukan. Apabila pola data yang digunakan telah stasioner pada level maka selanjutnya akan menggunakan metode VAR, dan apabila pola data yang digunakan tidak stasioner pada tingkat level maka digunakan metode VECM. Dalam menganalisa stasioneritas, tingkat signifikansi yang digunakan adalah pada taraf 5 persen. Data penjualan yang dianalisis adalah data penjualan bulanan sepeda motor tipe Matik, Bebek, dan Sport dari bulan Januari 2010 hingga Mei 2013. Adanya asumsi diperlukan untuk mendukung penelitian ini, karena asumsi merupakan kondisi prasyarat suatu peramalan dapat dibuat. Tanpa suatu asumsi sangat sulit peramalan dapat dibuat, karena terlalu banyak kemungkinan yang dapat muncul. Kegunaan sebuah asumsi, selain untuk memudahkan penyusunan suatu peramalan adalah dapat dijadikan alasan mengapa suatu peramalantidak dapat tercapai. Dalam penelitian ini, terdapat 3 asumsi dasar, yaitu: 1. Persistensi, merupakan pola-pola yang terjadi dimasa lampau akan tetap ditemui dimasa depan. 2. Keteraturan, maksudnya adalah variasi pada masa lalu sebagaimana ditunjukkan oleh kecenderungannya akan terulang secara kontinyu 3. Reliabilitas dan validitas, pengukuran trend akan reliabel (cukup cermat atau memiliki konsistensi internal) dan valid (mengukur apa yang hendak diukur). Ada pula asumsi yang berdasarkan kondisi eksternal dalam penelitian ini, yaitu: 1. Lingkungan ekonomi meningkat, seiring dengan peningkatan UMP (Upah Minimum Provinsi) daya beli dan perputaran ekonomipun bergerak ke arah positif. 2. Persaingan industri sehat, kompetisi dalam mengambil pangsa pasar dilakukan dengan cara yang sportif. 3. Konsumsi masyarakat meningkat, daya beli yang meningkat akan mendorong masyarakat untuk lebih konsumtif. 4. Pertumbuhan penduduk yang tidak signifikan. 5. Kebijakan pemerintah yang mendukung keberadaan kendaraan sepeda motor. 6. Perubahan teknologi ke arah yang lebih modern.
12
7. Selera, seiring dengan meningkatnya kemampuan ekonomi, masyarakat lebih memilih produk yang memiliki kualitas dan harga yang lebih baik. Uji Stasioner Uji stasioneritas data pada seluruh variabel dengan Augmented DickeyFuller Test (ADF) dengan perangkat lunak Eviews 6. Jika nilai Test Critical Values lebih besar dari nilai t-statistic berarti data tidak stasioner, sebaliknya jika nilai Test Critical Values lebih kecil dari nilai t-statistic maka data stasioner. Tabel 2 Hasil uji stasioner Variabel Matik Bebek Sport
Test Critical Values (5%)
t-statistic
Probability
-2.936942
-3.420737
0.0160
-2.938987 -2.936942
-0.097028* -2.629063*
0.9427 0.0957
Dari hasil uji stationeritas data pada seluruh variabel didapatkan bahwa produk Matik telah stationer pada level sedangkan produk Bebek dan Sport belum stationer sehingga perlu dilakukan uji stationeritas lanjutan pada pembeda pertama (first difference). Tabel 3 Hasil first difference Variabel Bebek Sport
Test Critical Values (5%) -2.938987 -2.938987
t-statistic
Probability
-8.538135 -9.279384
0.0000 0.0000
Dari Tabel 3 dapat kita lihat bahwa variabel Bebek dan Sport sudah stationer pada pembeda pertama, karena seluruh variabel harus stationer pada derajat yang sama, maka penelitian ini dilakukan dengan menggunakan derajat pembedaan pertama. Jika seluruh data yang diujikan telah stationer pada pada tahap level, maka selanjutnya model yang dipilih adalah VAR. Namun jika salah satu variabel atau tidak seluruh variabel stasioner pada level di uji stationeritas maka selanjutnya model yang dipilih adalah VECM. Dengan demikian penelitian ini akan dilanjutkan dengan menggunakan model VECM. Uji Kausalitas Granger Untuk melihat hubungan kausalitas antara variabel yang ada dalam model dapat dilakukan dengan uji Pairwise Granger Causality Test. Hipotesis nol (H0) yang diuji menyatakantidak ada hubungan kausalitas dan hipotesis alternatifnya (H1) menyatakan adanya hubungan kausalitas. Dengan nilai probability sebesar 0,05 digunakan untuk menentukan apakah H0 diterima atau ditolak. Apabila nilai probabilitasnya kurang atau sama dengan 0,05 maka terima H1 tolak H0, dan apabila nilai probabilitasnya lebih dari 0,05 maka terima H0 tolak H1. Hasil uji kausalitas Granger dengan signifikansi 5 persen pada seluruh variabel penjualan produk dapat dilihat pada Tabel 4.
13 Tabel 4 Uji kausalitas Granger Null Hypothesis BEBEK does not Granger Cause MATIK MATIK does not Granger Cause BEBEK SPORT does not Granger Cause MATIK MATIK does not Granger Cause SPORT SPORT does not Granger Cause BEBEK BEBEK does not Granger Cause SPORT
Probabilitas
Hasil Pengujian
0.3861 terima H0 tolak H1 0.0079 terima H1 tolak H0 0.2239 terima H0 tolak H1 0.9725 terima H1 tolak H0 0.0560 terima H0 tolak H1 0.7035 terima H1 tolak H0
Hubungan Kausalitas hubungan satu arah dari Matik ke Bebek tidak ada hubungan kausalitas tidak ada hubungan kausalitas
Berdasarkan hasil uji Granger pada Tabel 4 hanya terjadi hubungan satu arah antara Matik dengan Bebek dari seluruh variabel yang diujikan. Dapat diartikan bahwa penjualan produk Matik mempengaruhi Bebek. Uji Lag Optimum Metode VAR dan VECM sangat sensitif terhadap jumlah lag yang digunakan, sehingga penentuan lag optimum sangatlah penting. Penentuan panjang lag digunakan untuk mengetahui lamanya periode ketergantungan suatu veriabel terhadap variabel masa lalunya dan terhadap variabel endogen lainnya. Penentuan lag optimum dapat diperoleh dengan estimasi VAR. Penentuan lag dapat dilakukan dengan pendekatan Likehood Ratio (LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC), dan Schwarz Criterion (SC). Uji kestabilan VAR ditunjukkan pada Tabel 5. Tabel 5 Hasil uji lag optimum Lag 0 1 2 3 4
LogL -595.5662 -531.8822 -522.9613 -511.9588 -505.8973
LR NA 113.5985* 14.46622 16.05770 7.863667
FPE 2.26e+10 1.18e+09 1.20e+09 1.10e+09* 1.36e+09
AIC 32.35493 29.39904 29.40332 29.29507* 29.45391
SC 32.48554 29.92150* 30.31762 30.60122 31.15190
HQ 32.40098 29.58323* 29.72565 29.75555 30.05253
Hasil uji kestabilan pada Tabel 5 menunjukkan bahwa model telah stabil pada lag ketiga. Lag optimal dapat ditentukan dengan mengambil nilai AIC yang paling kecil. Nilai AIC yang paling kecil terdapat pada lag ketiga, hal ini menandakan bahwa lag optimal yang dipilih berdasarkan AIC terdapat pada lag ketiga.
14
Uji Kointegrasi Uji kointegrasi harus dilakukan untuk mengetahui keterkaitan jangka panjang antara variabel. Uji kointegrasi dilakukan karena data yang digunakan berfluktuasi dengan asumsi tidak stasioner. Uji yang dilakukan adalah uji Kointegrasi Johansen. Variabel-variabel yang diuji harus berupa variabel yang stasioner pada derajat yang sama. Variabel-variabel dapat dikatakan terkointegrasi jika trace statistic lebih besar dari nilai critical value. Sebaliknya, trace statistic lebih kecil dari nilai critical value maka variabel-variabel tidak terkointegrasi. Tabel 6 Hasil uji kointegrasi Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05 Critical Eigenvalue Prob.** No. of CE(s) Staistic Value None * 0.453577 31.80166 29.79707 0.0290 At most 1 0.178485 10.04460 15.49471 0.2773 At most 2 0.079107 2.966825 3.841466 0.0850 Trace test indicates 1 cointegrating eqn(s) at the 0.05 level Dari Tabel 6 dapat dilihat bahwa terdapat satu kesamaan kointegrasi pada derajat kepercayaan 5 persen. Hal ini berarti terdapat hubungan jangka panjang di antara variabel tersebut. Estimasi VECM Variabel yang saling terkointegrasi dengan variabel lainnya akan saling memberi pengaruh yang dapat dilihat dari analisis dengan menggunakan metode Vector Error Correction Model (VECM). Hasil uji dapat diintepretasikan dengan melihat koefisien kointegrasinya dan pembacaan tanda yang terbalik dari tanda koefisiennya. Signifikansi koefisien kointegrasi harus lebih besar dari nilai t-tabel yaitu sebesar 1,96. Jika koefisien kointegrasi t-statsistik lebih besar dari 1,96 maka dikatakan signifikan. Hasil uji analisis VECM akan menghasilkan matriks koefisien jangka panjang seperti terlihat pada Tabel 7. Tabel 7 Hasil estimasi VECM Cointegrating Eq: MATIK(-1) BEBEK(-1)
SPORT(-1)
C
CointEq1 1.000000 0.452478 (0.12640) [ 3.57980] -3.083469 (1.92442) [-1.60228] -613.8791
15 Hasil pada Tabel 7 menunjukkan adanya hubungan jangka panjang antara penjualan produk Matik dengan penjualan Sport dan Bebek. Peningkatan penjualan Bebek sebesar 1% akan menurunkan penjualan Matik sebesar 0,45%. Sementara kenaikan penjualan Sport 1% akan meningkatkan penjualan Matik sebesar 3,08%. Uji Stabilitas Model Model VECM yang digunakan harus memiliki stabilitas sehingga hasil estimasinya tidak berubah dengan deviasi yang besar meskipun periodenya diperpanjang sehingga hasil estimasinya dapat dipertanggungjawabkan (Gujarati 2004). Pengujian dengan AR tabel dikatakan stabil apabila nilai modulusnya kurang dari satu. Pada tabel 8 dapat terlihat bahwa nilai modulus kurang dari satu, sehingga dapat disimpulkan bahwa model VECM sudah stabil. Tabel 8 Hasil uji stabilitas model Root 0.942600 0.921559 -0.644530 0.221183 - 0.605142i 0.221183 + 0.605142i -0.255635 - 0.573757i -0.255635 + 0.573757i 0.489431 -0.196835
Modulus 0.942600 0.921559 0.644530 0.644298 0.644298 0.628129 0.628129 0.489431 0.196835
No root lies outside the unit circle. VAR satisfies the stability condition. Analisis Impulse Response Function (IRF) Impulse Response Function (IRF) merupakan salah satu instrumen VECM yang digunakan untuk menunjukkan bagaimana shock yang diberikan kepada suatu variabel endogen dapat berpengaruh terhadap variabel endogen lainnya. IRF adalah suatu metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan tertentu karena sebenarnya guncangan 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. IRF mengukur pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut dan di masa yang akan datang (Firdaus 2011). Tujuan dari IRF adalah untuk mengisolasi guncangan agar lebih spesifik, yang artinya suatu variabel dapat dipengaruhi oleh guncangan tertentu. Analisis Impulse Response Function (IRF) dalam penelitian ini dilakukan untuk menilai respon dinamik dari variabel terkait.
16
Response to Cholesky One S.D. Innovations Response of MATIK to MATIK 100
80
60
40
20
0
-20 5
10
15
20
25
30
35
40
45
50
Gambar 2 Hasil analisis impulse response function (IRF) Matik ke Matik Respon pertama yang dilihat adalah respon Matik terhadap variabel itu sendiri. Dari grafik terlihat respon yang diberikan Matik terhadap satu standar deviasi variabelnya sendiri bernilai positif kecuali pada periode ke-4 dan ke-5 yang turun drastis dari periode pertama hingga bernilai negatif. Pada periode pertama penjualan Matik mencapai 80 persen dan terus mengalami penurunan hingga periode ke-5. Peningkatan yang terjadi setelah periode ke-5 terlihat mulai stabil. Peningkatan penjualan tertinggi pada periode ke-9 mencapai 20% lalu mengalami fluktuasi ringan pada periode ke-10 hingga ke-19. Peningkatan penjualan stabil mulai periode ke-20 sampai periode ke-50 pada level 14 persen. Dari Gambar 2 dapat disimpulkan bahwa peningkatan penjualan secara signifikan pada produk Matik yang disebabkan oleh promosi atau lain hal yang menyebabkan meningkatnya penjualan akan berpengaruh positif pada peningkatan penjualan Matik itu sendiri. Response of BEBEK to Cholesky One S.D. MATIK Innovation 0
-4
-8
-12
-16
-20 5
10
15
20
25
30
35
40
45
50
Gambar 3 Hasil analisis impulse response function (IRF) Bebek ke Matik Pada Gambar 3 terlihat respon Bebek terhadap Matik. Terlihat respon yang diberikan Bebek terhadap Matik bernilai negatif. Pada periode pertama nilai respon 0% dan paling rendah mencapi negatif 18% pada periode ke-4. Peningkatan terjadi pada periode selanjutnya, tertinggi pada periode ke-6 dengan nilai negatif 9%. Fluktuasi ringan terjadi dan grafik mulai stabil pada periode ke26 pada level negatif 13%. Berdasarkan grafik ini terlihat bahwa peningkatan penjualan Bebek karena faktor promosi atau hal lain akan berpengaruh negatif pada penjualan Matik sehingga menurunkan penjualan Matik.
17 Response of SPORT to Cholesky One S.D. MATIK Innovation 2.5
2.0
1.5
1.0
0.5
0.0
-0.5 5
10
15
20
25
30
35
40
45
50
Gambar impulse response function (IRF) Gambar 44Hasil Hasilanalisis Analisis Impulse Response Function Sport ke Matik (IRF) Sport ke Matik Pada Gambar 4 terlihat respon penjualan motor Sport terhatap penjualan Matik yang hampir secara keseluruhan bernilai positif. Periode pertama dan periode ke-2 adalah titik terendah respon penjualan motor Sport terhadap Matik dengan nilai 0,2%. Setelah periode ke-2 terjadi peningkatan tertinggi pada periode ke-6 pada level 2,2%. Penurunan kembali terjadi pada periode ke-7 dan ke-8 dengan level 1,1%. Fluktuasi ringan terjadi dan grafik mulai stabil pada periode ke-23 hingga ke-50 pada level 1,5%. Berdasarkan grafik ketiga dapat ditarik kesimpulan bahwa peningkatan penjualan motor Sport karena faktor promosi atau faktor lainnya akan memberikan pengaruh positif pada penjualan motor Matik sehingga akan meningkatkan penjualan motor Matik. Response of BEBEK to Cholesky One S.D. BEBEK Innovation 40
36
32
28
24
20
16 5
10
15
20
25
30
35
40
45
50
Gambar 5 Hasil analisis impulse response function (IRF) Bebek ke Bebek Respon kedua yang dianalisa adalah penjualan motor Bebek terhadap variabelnya sendiri. Pada grafik di atas terlihat bahwa respon yang diberikan bernilai positif. Dari Gambar 5 pada awal periode menuju periode ke-2 dan ke-3 terjadi penurunan yang drastis dari level 36% hingga level 23%. Kembali meningkat pada periode ke-4 menjadi 25% namun kembali mengalami penurunan hingga ke level terendah 18% pada periode ke-6. Peningkatan kembali terjadi pada periode ke-7 hingga level 21%. Pada periode ke-8 hingga ke-16 terjadi fluktuasi ringan dengan rataan 20%. Grafik mulai stabil pada periode ke-29 hingga ke-50 pada level 20%. Berdasarkan grafik respon tersebut dapat disimpulkan bahwa peningkatan penjualan motor Bebek akibat dari pengaruh promosi atau faktor lainnya akan memberikan dampak positif pada penjualan variabelnya sendiri sehingga akan meningkatkan penjualannya.
18
Response of MATIK to Cholesky One S.D. BEBEK Innovation 25 20 15 10 5 0 -5 -10 5
10
15
20
25
30
35
40
45
50
Gambar 6 Hasil analisis impulse response function (IRF) Matik ke Bebek Pada Gambar 6, selanjutnya terlihat respon penjualan Matik terhadap Bebek. Pada periode pertama hingga ke-5 respon menunjukkan nilai positif. Tertinggi pada periode ke-3 dengan level 20%. Namun pada periode ke-4 terjadi penurunan yang cukup tinggi hingga 0% dan pada periode ke-6 turun kembali hingga negatif 6%. Fluktuasi ringan terjadi sepanjang periode ke-6 hingga ke-13 dengan kisaran level negatif 1% hingga negatif 5%. Grafik mulai stabil pada periode ke-14 hingga ke-29 dan sudah stabil pada periode ke-30 hingga ke-50 pada level negatif 4%. Berdasarkan grafik respon penjualan Matik terhadap Bebek di atas dapat disimpulkan bahwa peningkatan penjualan Matik karena faktor promosi atau faktor lainnya akan memberikan efek negatif terhadap penjualan Bebek sehingga akan menurunkan penjualannya. Response of SPORT to Cholesky One S.D. BEBEK Innovation 2.4
2.0
1.6
1.2
0.8
0.4
0.0 5
10
15
20
25
30
35
40
45
50
Gambar 7 Hasil Analisis impulse response function (IRF) Sport ke Bebek Respon penjualan Sport terhadap Bebek terlihat pada Gambar 7. Terlihat respon yang diberikan Sport terhadap Bebek bernilai positif. Respon terlihat terus meningkat sejak periode pertama hingga periode ke-7. Terlihat pada periode ke-2 mencapai level 0,7%, periode ke-3 sedikit turun pada level 0,2%, kembali meningkat pada periode ke-4 hingga 1,7% lalu pada periode ke-6 dan ke-7 mencapai respon penjualan tertinggi pada level 2,2%. Periode ke-8 hingga ke-17 terjadi fluktuasi ringan pada level 1,8% hingga 2%. Pada periode ke-18 sudah mulai stabil hingga periode ke-50 yaitu pada level 2,1%. Berdasarkan grafik pada respon penjualan Sport pada Bebek di atas dapat disimpulkan bahwa peningkatan penjualan Sport terhadap Bebek bernilai positif. Sehingga kenaikan penjualan Sport karena faktor promosi atau faktor lain akan meningkatkan penjualan motor Bebek.
19 Response of SPORT to Cholesky One S.D. SPORT Innovation 9 8 7 6 5 4 3 2 5
10
15
20
25
30
35
40
45
50
Gambar 8 Hasil analisis impulse response function (IRF) Sport ke Sport Respon ketiga yang diamati adalah grafik respon penjualan motor Sport terhadap variabelnya sendiri. Terlihat bahwa respon yang diberikan bernilai positif. Pada periode pertama hingga periode ke-3 terjadi penurunan dari 8,5% menjadi 2,8%. Peningkatan kembali terjadi pada periode ke-5 yaitu pada level 4,8% yang sedikit berfluktuasi pada periode ke-6 dan ke-7 pada level 4,5% dan kembali pada level 4,8%. Pada periode ke-9 turun pada level 3,9% dan meningkat pada periode ke-11 yaitu pada level 4,5%. Fluktuasi ringan terjadi pada periode ke-12 hingga stabil sampai ke periode ke-50 pada level 4,1%. Berdasarkan grafik respon di atas dapat dsimpulkan bahwa peningkatan penjualan motor Sport bernilai positif terhdapa varibelnya sendiri. Sehingga peningkatan penjualan motor Sport karna faktor promosi atau faktor lainnya akan meningkatkan penjualan motor Sport itu sendiri. Response of MATIK to Cholesky One S.D. SPORT Innovation 30
20
10
0
-10 5
10
15
20
25
30
35
40
45
50
Gambar 9 Hasil analisis impulse response function (IRF) Matik ke Sport Grafik yang diamati berikutnya adalah respon penjualan motor Matik terhadap Sport pada Gambar 9. Grafik terlihat paling tinggi pada periode ke-2 dengan level 29%. Penurunan respon terjadi pada periode ke-4 menjadi 22% dan kembali turun pada periode ke-5 hingga mencapai negatif 9%. Peningkatan terjadi pada periode ke-6 hingga ke-8 dengan posisi mencapai 17%. Fluktuasi terjadi pada periode ke-9 sampai periode ke-11 dengan penurunan mencapai 9% dan kembali meningkat hingga 14% pada periode ke-13 hingga ke-15. Grafik mulai mengalami kestabilan pada periode ke-16 sampai periode ke-23 dengan kisaran 13%. Mulai dari periode ke-24 hingga periode ke-50 grafik stabil pada level 13%. Dari grafik di atas dapat disimpulkan bahwa respon penjualan Matik terhadap Sport bernilai positif. Dapat diartikan peningkatan penjualan Matik akibat faktor promosi atau faktor lainnya akan meningkatkan penjualan motor Sport.
20
Response of BEBEK to Cholesky One S.D. SPORT Innovation 8 4 0 -4 -8 -12 -16 -20 5
10
15
20
25
30
35
40
45
50
Gambar 10 Hasil analisis impulse response function (IRF) Bebek ke Sport Gambar 10 adalah grafik respon penjualan motor Bebek terhadap Sport. Periode pertama hingga periode ke-3 respon bernilai negatif hingga 17%. Peningkatan terjadi pada periode ke-5 mencapai 5% dan turun kembali pada periode ke-6 mencapai negatif 7%. Pada periode ke-7 grafik menunjukkan level negatif 2%. Fluktuasi ringan terjadi pada periode ke-8 hingga ke-24 dengan nilai respon negatif pada kisaran 6%. Pada periode ke-25 sampai ke-50 grafik sudah stabil pada level negatif 6%. Berdasarkan grafik di atas dapat disimpulkan bahwa respon penjualan motor Bebek terhadap Sport bernilai negatif. Hal ini berarti peningkatan penjualan Sport karena faktor promosi atau faktor lain akan menyebabkan penurunan penjualan Sport. Forecast Error Variance Decomposition (FEVD) FEVD merupakan suatu analisis yang digunakan untuk melihat perubahan dalam suatu variabel makro ditunjukkan oleh perubahan variance error yang dipengaruhi oleh variabel-variabel lainnya. Dengan analisis FEVD dapat diketahui ramalan dari variabel yang digunakan dalam jangka watu tertentu. Metode ini juga dapat menentukan kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya pada kurun waktu yang panjang. (Santoso 2009) Variance Decomposition of MATIK 105 100 95 90 85 80 75 70 65 60 5
10
15
20
MATIK
25
30
BEBEK
35
40
45
50
SPORT
Gambar 11 Variance decomposition of Matik
21 Pada Gambar 11 ditunjukkan bahwa penjualan produk Matik untuk 50 periode ke depan dipengaruhi oleh produk Matik itu sendiri dan juga produk Sport. Produk Sport terlihat semakin kuat mempengaruhi penjualan produk Matik pada 50 periode tersebut. Hal ini juga menandakan bahwa variabel produk Sport lebih berpengaruh dalam penjualan produk Matik dibandingkan variabel produk Bebek. Tabel 9 Hasil peramalan Matik Period 37 38 39 40 41 42 43 44 45 46 47
S.E. Forecast ±180 ±215 ±229 ±234 ±237 ±238 ±238 ±238 ±238 ±238 ±238
Forecast 713 658 622 598 582 572 565 561 558 556 555
Lower 534 443 393 364 346 334 327 323 320 318 316
Upper 893 873 850 832 819 809 803 799 796 794 793
Actual Diagnostic 607 akurat 598 akurat 638 akurat 506 akurat 608 akurat
Nilai aktual selama lima bulan pertama yang terdapat pada tabel hasil peramalan Matik yang dimulai dari bulan 37 sampai bulan 41 berada pada selang nilai ramalan (forecast), hal ini menandakan bahwa perhitungan peramalan yang dilakukan telah akurat. Sedangkan untuk perhitungan peramalan enam bulan berikutnya yang dimulai dari bulan ke 42 sampai bulan ke 47, perusahaan dapat menentukan target penjualan Matik pada rentang nilai forecast. Dari tabel perhitungan prediksi penjualan di atas menunjukkan bahwa nilai penjualan produk Matik untuk enam bulan berikutnya akan berangsur berkurang. Variance Decomposition of BEBEK 104 100 96 92 88 84 80 76 72 68 5
10
15
20
BEBEK
25
30
MATIK
35
40
45
50
SPORT
Gambar 12 Variance decomposition of Bebek
22
Pada Gambar 12 terlihat bahwa produk Matik lebih mempengaruhi penjualan produk Bebek untuk 50 periode ke depan dibanding variabel produk Sport. Dari grafik di atas terlihat jelas bahwa variabel produk Matik mendominasi pengaruh penjualan Bebek. Hal ini menunjukkan bahwa Matik sangat mempengaruhi penjualan produk Bebek, hasil ini juga sejalan dengan hasil estimasi VECM yang dilakukan sebelumnya, dimana dijelaskan bahwa kenaikan penjualan produk Matik akan menurunkan penjualan produk Bebek, dengan kata lain Matik memberikan pengaruh negatif terhadap produk Bebek. Tabel 10 Hasil peramalan Bebek Period 37 38 39 40 41 42 43 44 45 46 47
S.E. Forecast ±91 ±128 ±154 ±176 ±193 ±209 ±222 ±234 ±245 ±255 ±264
Forecast 207 209 212 214 217 219 222 224 226 228 230
Lower 115 82 58 39 24 11 -1 -11 -19 -27 -34
Upper 298 337 366 390 410 428 444 458 471 483 494
Actual 156 139 107 124 150
Diagnostic akurat akurat akurat akurat akurat
Pada Tabel 10 di atas menunjukkan bahwa nilai aktual selama lima bulan pertama yang dimulai dari bulan ke-37 sampai bulan ke-41 berada pada selang nilai forecast. Hal ini menunjukan bahwa perhitungan peramalan yang dilakukan telah akurat. Sedangkan untuk enam bulan berikutnya yang dimulai dari bulan ke42 sampai bulan ke-47 perusahaan dapat menentukan target penjualan produk Bebek pada selang nilai forecast. Dapat dilihat dari tabel hasil peramalan Bebek bahwa nilai penjualan produk Bebek akan semakin meningkat. Variance Decomposition of SPORT 100.4 100.0 99.6 99.2 98.8 98.4 98.0 97.6 97.2 96.8 96.4 5
10
15
20
SPORT
25
30
MATIK
35
40
45
50
BEBEK
Gambar 13 Variance decomposition of Sport
23 Pada Gambar 13 Variance Decomposition of Sport menunjukkan bahwa produk Sport lebih mendominasi penjualan produk Sport itu sendiri dalam 50 periode ke depan. Pada lima bulan pertama penjualan produk Sport masih dipengaruhi oleh produk Matik, terlihat dari grafik bahwa produk Matik mempengaruhi penjualan Sport mencapai 4 persen. Setelah itu pengaruh produk Matik semakin berkurang dan mulai terlihat stabil pada periode 30 sampai dengan periode 50. Tabel 11 Hasil peramalan Sport Period 37 38 39 40 41 42 43 44 45 46 47
S.E. Forecast 16 19 21 21 22 22 22 22 22 22 22
Forecast 35 36 36 36 36 36 36 36 36 36 36
Lower 19 16 15 15 15 14 14 14 14 14 14
Upper 51 55 57 57 58 58 58 58 58 58 58
Actual 12 28 30 35 26
Diagnostic akurat akurat akurat akurat akurat
Pada Tabel 11 menunjukkan bahwa nilai aktual selama lima bulan pertama yang dimulai dari bulan ke-37 sampai dengan bulan ke-41 berada pada selang nilai forecast. Dengan kata lain, perhitungan peramalan yang dilakukan telah akurat. Sedangkan perhitungan peramalan untuk enam bulan selanjutnya yang dimulai dari bulan ke-42 sampai ke-47 perusahaan dapat menentukan target penjualan produk Sport pada selang nilai forecast. Dari tabel hasil peramalan Sport dapat dilihat bahwa penjualan produk sepeda motor Sport akan mengalami kondisi penjualan yang tidak berubah untuk enam bulan berikutnya. Implikasi Manajerial Setelah melakukan perhitungan peramalan dengan metode kointegrasi terhadap produk Matik, Bebek, dan Sport dapat ditentukan produk yang memberi pengaruh positif terhadap produk lainnya. Berdasarkan hasil analisis yang telah dilakukan, produk Sport memberikan pengaruh positif yang lebih besar terhadap produk Matik dan Bebek. Hasil tersebut dapat menjadi acuan bagi PT. Catur Putra Jaya dalam menentukan keputusan manajerial untuk lebih memprioritaskan penjualan sepeda motor Sport. Tindakan yang dilakukan dapat berupa promosi penjualan. Dengan meningkatnya penjualan sepeda motor Sport akan meningkatkan penjualan sepeda motor Matik dan Bebek. Hasil analisis juga dapat dipakai sebagai acuan untuk mencegah terjadinya penurunan penjualan sepeda motor tipe Matik dan Bebek seperti yang terlihat juga pada hasil peramalan. Pencegahan penurunan penjualan dapat dilakukan juga dengan promosi penjualan seperti:
24
1. Melakukan promosi penjualan dengan memberikan diskon kepada calon pembeli. 2. Mengadakan acara hiburan rakyat seperti panggung dangdut, hal ini bekerja karena dapat menarik calon pembeli. 3. Sering melakukan personal selling seperti pameran, pameran dianggap efektif untuk media promosi karena pihak perusahaan dapat langsung mempresentasikan produknya kepada calon pembeli.
SIMPULAN DAN SARAN Simpulan Berdasarkan hasil penelitian yang telah dilakukan, maka dapat disimpulkan bahwa: 1. Hasil analisis kointegrasi menunjukkan adanya hubungan penjualan antara jenis produk Matik, Bebek, dan Sport dalam jangka pendek maupun jangka panjang. 2. Hasil peramalan penjualan untuk periode enam bulan ke depan, nilai peramalan penjualan produk Matik mengalami penurunan, sedangkan nilai peramalan penjualan Bebek dan Sport mengalami peningkatan. 3. Hasil akhir analisis kointegrasi memperlihatkan pengaruh positif paling besar ditemukan pada peningkatan penjualan Sport yang akan mempengaruhi peningkatkan penjualan Matik sekaligus Bebek. Oleh karena itu, PT. Catur Putra Jaya Bekasi dapat menjadikan penjualan Sport sebagai prioritas pertama dalam pemasaran. Dengan pengaruh positif yang dapat diberikan Sport terhadap Matik dan Bebek sehingga mencapai target penjualan yang telah ditetapkan.
Saran Melalui peneilitian yang telah penulis lakukan, terdapat beberapa hal yang dapat disarankan penulis kepada perusahaan terkait peningkatan penjualan produknya. Hal-hal tersebut adalah: 1. Mulai menggunakan suatu instrumen untuk meramalkan penjualan dan melakukannya secara berkala untuk produk baik Matik, Bebek maupun Sport untuk dapat menentukan target serta menetapkan strategi yang tepat bagi perusahaan yang dapat meningkatkan profit perusahaan. 2. Melakukan kegiatan pemasaran yang lebih gencar, terutama pada produk Sport yang memberikan pengaruh positif terhadap penjualan produk Matik dan Bebek. Hal ini ditujukan agar penjualan semua produk dapat terus meningkat di masa yang akan datang. 3. PT. Catur Putra Jaya Bekasi diharapkan dapat menerapkan analisis peramalan ini dengan pemahaman yang baik mengenai pola data serta model yang dapat digunakan untuk melakukan analisis peramalan tersebut.
25
DAFTAR PUSTAKA Aldina A. 2008. Analisis peramalan penjualan matrix blackberry PT Indosat, Tbk dalam rangka perencanaan strategi pemasaran [skripsi]. Bogor (ID): Institut Pertanian Bogor. Aritonang L. 2002. Peramalan Bisnis. Jakarta (ID): Ghalia Indonesia. Assauri S. 2009. Manajemen Pemasaran. Jakarta (ID): Grafindo Persada. [CPJ] Catur Putra Jaya. 2013. Laporan Penjualan Sepeda Motor Honda Tahun 2010 sampai dengan 2013. Bekasi (ID): CPJ. Enders W. 2004. Applied Econometric Time Series 2nd Edition. New York (US): John Wiley & Sons Inc. Fikriansyah I. 2011. Analisis peramalan penjualan menggunakan metode kointegrasi pada tipe mobil city car, sedan dan mpv di auto 2000 [skripsi]. Bogor: Institut Pertanian Bogor Gujarati Damodar. 2003. Ekonometrika Dasar. Jakarta (ID): Erlangga. Khaerunisa Y. 2009. Analisis VECM (Vector Error Correction Model) dalam Mekanisme Pemodelan dan Peramalan Kebijakan Harga Pangan [skripsi]. Bogor (ID): Institut Pertanian Bogor. Pearce and Robinson. 1997. Manajemen Strategik Jilid 1. Jakarta (ID): Binarupa Aksara. Santoso S. 2009. Business Forecasting Metode Peramalan Bisnis Masa Kini dengan Minitab dan SPSS. Jakarta (ID): PT Elex Media Komputindo. Subagjo B. 2005. Defisit Anggaran Utang Pemerintah dan Keberlanjutan Fiskal. Aplikasi Model Vector Error Correction. [disertasi]. Bogor (ID): Institut Pertanian Bogor. Swastha B. 2000. Manajemen Pemasaran Modern. Yogyakarta (ID): Liberty. Winarno WW. 2011. Analisis Ekonometrika dan Statistika dengan Eviews. Yogyakarta (ID): STIM YKPN. Wisastri. 2006. Peramalan Permintaan Sayuran pada PD Pacet Segar Cianjur. [skripsi]. Bogor (ID): Institut Pertanian Bogor.
26
LAMPIRAN Lampiran 1 Laporan penjualan PT. Catur Putra Jaya Bekasi BULAN
2010
2011
2012
2013
MATIK
BEBEK
SPORT
MATIK
BEBEK
SPORT
MATIK
BEBEK
SPORT
MATIK
BEBEK
SPORT
JANUARI
321
394
35
533
463
34
491
211
47
607
156
12
FEBRUARI
348
405
22
557
498
51
544
243
42
598
139
28
MARET
358
493
27
684
456
44
591
238
46
638
107
30
APRIL
285
519
25
752
431
53
628
232
40
506
124
35
MEI
417
505
22
706
477
42
700
251
54
608
150
26
JUNI
529
541
24
602
409
41
640
177
50
JULI
598
572
35
494
436
51
716
162
38
AGUSTUS
646
575
21
532
399
56
578
167
28
SEPTEMBER
394
447
23
478
355
47
504
215
38
OKTOBER
460
559
31
593
367
49
485
192
32
NOVEMBER
499
469
37
583
332
46
703
188
30
DESEMBER
647
467
31
629
282
52
798
204
35
27
Lampiran 2 Uji stasioneritas Matik Null Hypothesis: MATIK has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-3.420737 -3.605593 -2.936942 -2.606857
0.0160
t-Statistic
Prob.*
-0.097028 -3.610453 -2.938987 -2.607932
0.9427
t-Statistic
Prob.*
-2.629063 -3.605593 -2.936942 -2.606857
0.0957
*MacKinnon (1996) one-sided p-values.
Lampiran 3 Uji stasioneritas Bebek Null Hypothesis: BEBEK has a unit root Exogenous: Constant Lag Length: 1 (Automatic based on SIC, MAXLAG=9)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
Lampiran 4 Uji stasioneritas Sport Null Hypothesis: SPORT has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
Lampiran 5 Uji stasioneritas Matik setelah first difference Null Hypothesis: D(MATIK) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.
t-Statistic
Prob.*
-6.814106 -3.610453 -2.938987 -2.607932
0.0000
28
Lampiran 6 Uji stasioneritas Bebek setelah first difference Null Hypothesis: D(BEBEK) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-8.538135 -3.610453 -2.938987 -2.607932
0.0000
*MacKinnon (1996) one-sided p-values.
Lampiran 7 Uji stasioneritas Sport setelah first difference Null Hypothesis: D(SPORT) has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level
t-Statistic
Prob.*
-9.279384 -3.610453 -2.938987 -2.607932
0.0000
*MacKinnon (1996) one-sided p-values.
Lampiran 8 Uji kausalitas Granger Pairwise Granger Causality Tests Date: 08/14/13 Time: 11:23 Sample: 2010M01 2013M05 Lags: 1 Null Hypothesis:
Obs
F-Statistic
Prob.
BEBEK does not Granger Cause MATIK MATIK does not Granger Cause BEBEK
40
0.76939 7.88516
0.3861 0.0079
SPORT does not Granger Cause MATIK MATIK does not Granger Cause SPORT
40
1.52993 0.00120
0.2239 0.9725
SPORT does not Granger Cause BEBEK BEBEK does not Granger Cause SPORT
40
3.89266 0.14712
0.0560 0.7035
29 Lampiran 9 Uji lag optimum VAR Lag Order Selection Criteria Endogenous variables: MATIK BEBEK SPORT Exogenous variables: C Date: 08/14/13 Time: 11:35 Sample: 2010M01 2013M05 Included observations: 37 Lag
LogL
LR
FPE
AIC
SC
HQ
0 1 2 3 4
-595.5662 -531.8822 -522.9613 -511.9588 -505.8973
NA 113.5985* 14.46622 16.05770 7.863667
2.26e+10 1.18e+09 1.20e+09 1.10e+09* 1.36e+09
32.35493 29.39904 29.40332 29.29507* 29.45391
32.48554 29.92150* 30.31762 30.60122 31.15190
32.40098 29.58323* 29.72565 29.75555 30.05253
* 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
Lampiran 10 Uji kointegrasi Date: 08/14/13 Time: 11:46 Sample (adjusted): 2010M06 2013M05 Included observations: 36 after adjustments Trend assumption: Linear deterministic trend Series: MATIK BEBEK SPORT Lags interval (in first differences): 1 to 4 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
0.453577 0.178485 0.079107
31.80166 10.04460 2.966825
29.79707 15.49471 3.841466
0.0290 0.2773 0.0850
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
Lampiran 11 Estimasi VECM Vector Error Correction Estimates Date: 08/14/13 Time: 11:49 Sample (adjusted): 2010M05 2013M05 Included observations: 37 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq: CointEq1 MATIK(-1) 1.000000 BEBEK(-1) 0.452478 (0.12640) [ 3.57980] SPORT(-1) -3.083469 (1.92442) [-1.60228] C -613.8791
30
Lanjutan Lampiran 11 Error Correction: CointEq1
D(MATIK) -0.658179 (0.22778) [-2.88952] D(MATIK(-1)) 0.027570 (0.23442) [ 0.11761] D(MATIK(-2)) 0.024773 (0.19677) [ 0.12590] D(MATIK(-3)) -0.151485 (0.20934) [-0.72362] D(BEBEK(-1)) 0.564831 (0.45412) [ 1.24379] D(BEBEK(-2)) 0.737332 (0.37870) [ 1.94701] D(BEBEK(-3)) 0.478594 (0.37101) [ 1.28997] D(SPORT(-1)) 1.661249 (1.97891) [ 0.83948] D(SPORT(-2)) 2.090992 (2.20436) [ 0.94857] D(SPORT(-3)) 3.012533 (2.17412) [ 1.38563] C 24.18799 (16.9200) [ 1.42955] R-squared 0.495466 Adj. R-squared 0.301414 Sum sq. resids 197591.4 S.E. equation 87.17608 F-statistic 2.553268 Log likelihood -211.2869 Akaike AIC 12.01551 Schwarz SC 12.49443 Mean dependent 8.729730 S.D. dependent 104.3008 Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion
Lampiran 12 Uji stabilitas model Roots of Characteristic Polynomial Endogenous variables: MATIK BEBEK SPORT Exogenous variables: C Lag specification: 1 3 Date: 08/14/13 Time: 11:52
D(BEBEK) -0.102384 (0.09620) [-1.06424] -0.094511 (0.09901) [-0.95457] 0.131921 (0.08311) [ 1.58738] -0.160901 (0.08842) [-1.81981] -0.149094 (0.19180) [-0.77734] -0.024342 (0.15994) [-0.15219] 0.226477 (0.15670) [ 1.44532] -0.322746 (0.83579) [-0.38616] -1.701189 (0.93101) [-1.82724] 0.949343 (0.91824) [ 1.03387] -8.929216 (7.14617) [-1.24951] 0.523612 0.340386 35246.47 36.81893 2.857741 -179.3960 10.29167 10.77060 -9.972973 45.33424 5.52E+08 1.92E+08 -510.3081 29.53017 31.09755
D(SPORT) 0.031461 (0.02235) [ 1.40757] -0.036583 (0.02300) [-1.59037] -0.026072 (0.01931) [-1.35033] -0.030129 (0.02054) [-1.46673] 0.004916 (0.04456) [ 0.11032] -0.000480 (0.03716) [-0.01291] 0.030827 (0.03641) [ 0.84677] -0.517255 (0.19418) [-2.66379] -0.367859 (0.21630) [-1.70067] -0.167329 (0.21333) [-0.78435] 1.020606 (1.66027) [ 0.61472] 0.342371 0.089436 1902.504 8.554135 1.353595 -125.3909 7.372480 7.851401 0.027027 8.964394
31 Lanjutan Lampiran 12 Root 0.942600 0.921559 -0.644530 0.221183 - 0.605142i 0.221183 + 0.605142i -0.255635 - 0.573757i -0.255635 + 0.573757i 0.489431 -0.196835 No root lies outside the unit circle. VAR satisfies the stability condition.
Modulus 0.942600 0.921559 0.644530 0.644298 0.644298 0.628129 0.628129 0.489431 0.196835
32
Lampiran 13 Impuls response of Matik
Response to Cholesky One S.D. Innovations Response of MATIK to MATIK 100 80 60 40 20 0 -20 5
10
15
20
25
30
35
40
45
50
Response of MATIK to BEBEK 100 80 60 40 20 0 -20 5
10
15
20
25
30
35
40
45
50
Response of MATIK to SPORT 100 80 60 40 20 0 -20 5
10
15
20
25
30
35
40
45
50
33 Lampiran 14 Impuls response of Bebek
Response to Cholesky One S.D. Innovations Response of BEBEK to BEBEK 40 30 20 10 0 -10 -20 5
10
15
20
25
30
35
40
45
50
Response of BEBEK to MATIK 40 30 20 10 0 -10 -20 5
10
15
20
25
30
35
40
45
50
Response of BEBEK to SPORT 40 30 20 10 0 -10 -20 5
10
15
20
25
30
35
40
45
50
34
Lampiran 15 Impuls response of Sport
Response to Cholesky One S.D. Innovations Response of SPORT to SPORT 10 8 6 4 2 0 -2 5
10
15
20
25
30
35
40
45
50
Response of SPORT to MATIK 10 8 6 4 2 0 -2 5
10
15
20
25
30
35
40
45
50
Response of SPORT to BEBEK 10 8 6 4 2 0 -2 5
10
15
20
25
30
35
40
45
50
35
35
Lampiran 16 Variance decomposition of MATIK Period
S.E.
MATIK
BEBEK
SPORT
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
87.17608 104.2387 111.7927 114.6463 115.0639 116.1588 118.8793 121.9137 123.0587 123.8518 124.6132 125.8109 127.2845 128.6424 129.6725 130.6532 131.7177 132.8603 134.0003 135.1014 136.1454 137.1783 138.2322 139.2939 140.3394 141.3682 142.3856 143.3971 144.4066 145.4118 146.4074 147.3938 148.3740 149.3487 150.3176 151.2805 152.2369 153.1868 154.1310 155.0697 156.0029 156.9304 157.8524 158.7690 159.6803 160.5866 161.4878 162.3839 163.2751 164.1615
100.0000 91.03123 83.57445 79.50205 79.03968 78.81941 78.10670 77.08920 76.32750 75.63800 75.29382 74.87708 74.25646 73.61610 73.13523 72.66498 72.21617 71.78336 71.33457 70.88412 70.47556 70.08671 69.70064 69.32434 68.95955 68.60234 68.25814 67.92657 67.60233 67.28538 66.97785 66.67869 66.38729 66.10392 65.82775 65.55814 65.29537 65.03932 64.78946 64.54561 64.30762 64.07518 63.84813 63.62637 63.40966 63.19780 62.99066 62.78809 62.58992 62.39602
0.000000 1.159825 4.484989 5.614348 5.612342 5.767840 5.588276 5.409099 5.309903 5.249970 5.301597 5.363640 5.317355 5.267522 5.251529 5.241545 5.239829 5.241539 5.227436 5.208937 5.200624 5.196023 5.188701 5.181115 5.173112 5.164277 5.157017 5.151157 5.144643 5.137704 5.131211 5.124948 5.118866 5.113129 5.107469 5.101771 5.096261 5.090975 5.085799 5.080739 5.075807 5.070968 5.066239 5.061641 5.057148 5.052746 5.048443 5.044236 5.040119 5.036092
0.000000 7.808945 11.94057 14.88360 15.34798 15.41275 16.30502 17.50170 18.36260 19.11203 19.40459 19.75928 20.42618 21.11638 21.61324 22.09348 22.54401 22.97510 23.43799 23.90695 24.32382 24.71727 25.11066 25.49455 25.86734 26.23338 26.58484 26.92227 27.25303 27.57692 27.89094 28.19637 28.49384 28.78295 29.06478 29.34009 29.60837 29.86971 30.12474 30.37365 30.61657 30.85385 31.08563 31.31199 31.53319 31.74945 31.96089 32.16768 32.36996 32.56789
36
Lampiran 17 Variance decomposition of BEBEK Period
S.E.
MATIK
BEBEK
SPORT
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
36.81893 46.34193 54.57426 62.67810 68.39722 72.04025 76.76290 80.55421 84.20112 87.82414 91.46642 94.65525 97.80015 100.9158 103.9038 106.7940 109.6547 112.4078 115.0799 117.7123 120.2932 122.8067 125.2743 127.6962 130.0681 132.3989 134.6929 136.9463 139.1620 141.3444 143.4934 145.6101 147.6971 149.7551 151.7847 153.7876 155.7651 157.7175 159.6461 161.5518 163.4351 165.2970 167.1382 168.9593 170.7610 172.5439 174.3086 176.0555 177.7853 179.4984
13.98523 10.56588 7.850985 7.340868 7.112370 6.601570 6.454775 5.984566 5.693043 5.555838 5.459398 5.317260 5.187714 5.077766 4.978395 4.902344 4.841144 4.773707 4.709560 4.655253 4.606666 4.561432 4.520590 4.481911 4.445011 4.411435 4.380765 4.351729 4.324391 4.298802 4.274636 4.251886 4.230554 4.210351 4.191138 4.172943 4.155687 4.139269 4.123649 4.108768 4.094553 4.080973 4.067997 4.055578 4.043677 4.032267 4.021316 4.010796 4.000685 3.990959
86.01477 89.43398 82.80640 84.97026 85.17185 85.56597 85.89501 87.00063 87.32600 87.70649 88.07135 88.32059 88.51660 88.81311 89.02862 89.17778 89.32972 89.48355 89.60744 89.72966 89.84426 89.94079 90.02909 90.11689 90.19690 90.26970 90.33873 90.40303 90.46238 90.51893 90.57245 90.62232 90.66935 90.71406 90.75628 90.79629 90.83440 90.87058 90.90495 90.93777 90.96910 90.99900 91.02759 91.05497 91.08118 91.10632 91.13046 91.15363 91.17591 91.19734
0.000000 0.000144 9.342616 7.688872 7.715784 7.832456 7.650219 7.014799 6.980961 6.737671 6.469248 6.362148 6.295689 6.109126 5.992983 5.919874 5.829134 5.742738 5.682996 5.615086 5.549071 5.497780 5.450316 5.401197 5.358086 5.318861 5.280500 5.245245 5.213234 5.182266 5.152913 5.125798 5.100097 5.075591 5.052586 5.030770 5.009917 4.990153 4.971398 4.953464 4.936349 4.920031 4.904411 4.889453 4.875139 4.861411 4.848227 4.835569 4.823404 4.811696
37 Lampiran 18 Variance decomposition of SPORT Period
S.E.
MATIK
BEBEK
SPORT
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
8.554135 9.184326 9.571030 10.30990 11.57545 12.64554 13.71511 14.54053 15.21207 15.93457 16.75564 17.49637 18.17617 18.82904 19.45586 20.06786 20.68124 21.27332 21.83743 22.38757 22.92877 23.45733 23.97522 24.48242 24.97739 25.46227 25.93942 26.40819 26.86836 27.32079 27.76578 28.20362 28.63494 29.05999 29.47879 29.89166 30.29896 30.70084 31.09754 31.48926 31.87616 32.25839 32.63616 33.00962 33.37889 33.74412 34.10544 34.46297 34.81683 35.16713
14.42570 13.87223 14.84700 16.14284 22.53889 27.24906 27.43017 27.55666 28.51446 29.43351 30.19426 30.91336 31.29880 31.52695 31.89146 32.27436 32.54604 32.77824 32.99328 33.17382 33.34878 33.52439 33.67466 33.80388 33.92786 34.04427 34.15091 34.25162 34.34532 34.43094 34.51153 34.58826 34.66008 34.72746 34.79121 34.85134 34.90816 34.96223 35.01359 35.06228 35.10863 35.15284 35.19499 35.23525 35.27376 35.31059 35.34586 35.37968 35.41214 35.44331
0.445819 1.292897 1.736041 4.882368 5.464916 6.498910 8.714680 10.54645 11.45534 12.30300 12.97600 13.55089 14.16487 14.75721 15.17376 15.51970 15.85347 16.15855 16.43395 16.69064 16.91342 17.10896 17.29351 17.46726 17.62540 17.77118 17.90615 18.03067 18.14718 18.25708 18.35969 18.45549 18.54567 18.63066 18.71083 18.78673 18.85858 18.92657 18.99112 19.05253 19.11097 19.16665 19.21977 19.27050 19.31898 19.36539 19.40984 19.45246 19.49335 19.53262
85.12848 84.83488 83.41695 78.97479 71.99620 66.25203 63.85515 61.89689 60.03021 58.26349 56.82974 55.53575 54.53633 53.71584 52.93477 52.20594 51.60049 51.06321 50.57277 50.13554 49.73780 49.36665 49.03183 48.72886 48.44674 48.18456 47.94294 47.71771 47.50750 47.31198 47.12878 46.95625 46.79426 46.64188 46.49795 46.36193 46.23326 46.11119 45.99529 45.88519 45.78040 45.68051 45.58524 45.49425 45.40726 45.32402 45.24430 45.16786 45.09451 45.02407
Cholesky Ordering: MATIK BEBEK SPORT
38
Lampiran 19 Hasil regresi model Minitab Regression Analysis: MATIK versus MLAG3; MLAG2; ... The regression equation is MATIK = 372 + 0,053 MLAG3 - 0,305 MLAG2 + 0,808 MLAG1 - 0,255 BLAG3 + 0,009 BLAG2 - 1,39 BLAG1 + 1,33 BEBEK - 9,48 SLAG3 + 2,93 SLAG2 + 3,45 SLAG1 + 3,60 SPORT 33 cases used, 3 cases contain missing values Predictor Coef SE Coef T P Constant 372,3 129,4 2,88 0,009 MLAG3 0,0529 0,1750 0,30 0,765 MLAG2 -0,3052 0,2028 -1,51 0,147 MLAG1 0,8082 0,1577 5,13 0,000 BLAG3 -0,2549 0,3161 -0,81 0,429 BLAG2 0,0088 0,3671 0,02 0,981 BLAG1 -1,3950 0,3638 -3,83 0,001 BEBEK 1,3257 0,3935 3,37 0,003 SLAG3 -9,479 2,167 -4,37 0,000 SLAG2 2,929 2,230 1,31 0,203 SLAG1 3,448 1,981 1,74 0,096 SPORT 3,598 1,758 2,05 0,053 S = 65,7968 R-Sq = 76,6% R-Sq(adj) = 64,3% Analysis of Variance Source DF SS MS F P Regression 11 297156 27014 6,24 0,000 Residual Error 21 90913 4329 Total 32 388070 Source DF Seq SS MLAG3 1 2559 MLAG2 1 19746 MLAG1 1 114714 BLAG3 1 18118 BLAG2 1 4548 BLAG1 1 16663 BEBEK 1 11075 SLAG3 1 19777 SLAG2 1 32886 SLAG1 1 38943 SPORT 1 18128 Unusual Observations Obs MLAG3 MATIK Fit SE Fit Residual St Resid 4 321 285,0 391,5 41,9 -106,5 -2,10R 21 602 478,0 619,8 33,9 -141,8 -2,51R R denotes an observation with a large standardized residual.
Regression Analysis: BEBEK versus MLAG3; MLAG2; ... The regression equation is BEBEK = - 7,0 - 0,123 MLAG3 + 0,162 MLAG2 - 0,289 MLAG1 + 0,265 MATIK + 0,184 BLAG3 + 0,175 BLAG2 + 0,684 BLAG1 + 3,92 SLAG3 - 2,47 SLAG2-1,44 SLAG1 - 0,841 SPORT 33 cases used, 3 cases contain missing values Predictor Coef SE Coef T P Constant -7,02 68,24 -0,10 0,919 MLAG3 -0,12344 0,07357 -1,68 0,108 MLAG2 0,16160 0,08860 1,82 0,082 MLAG1 -0,28861 0,08488 -3,40 0,003 MATIK 0,26462 0,07855 3,37 0,003 BLAG3 0,1838 0,1376 1,34 0,196 BLAG2 0,1748 0,1595 1,10 0,285 BLAG1 0,6837 0,1505 4,54 0,000 SLAG3 3,921 1,029 3,81 0,001 SLAG2 -2,4718 0,8848 -2,79 0,011 SLAG1 -1,4428 0,8929 -1,62 0,121 SPORT -0,8406 0,8405 -1,00 0,329 S = 29,3963 R-Sq = 97,0% R-Sq(adj) = 95,4%
39 Lanjutan Lampiran 19 Analysis of Variance Source DF SS MS F P Regression 11 588212 53474 61,88 0,000 Residual Error 21 18147 864 Total 32 606359 Source DF Seq SS MLAG3 1 149273 MLAG2 1 1174 MLAG1 1 31553 MATIK 1 18844 BLAG3 1 332913 BLAG2 1 11220 BLAG1 1 21402 SLAG3 1 935 SLAG2 1 16287 SLAG1 1 3746 SPORT 1 864 Unusual Observations Obs MLAG3 BEBEK Fit SE Fit Residual St Resid 9 529 447,00 492,67 21,66 -45,67 -2,30R 24 478 282,00 337,48 11,66 -55,48 -2,06R R denotes an observation with a large standardized residual.
Regression Analysis: SPORT versus MLAG3; MLAG2; ... The regression equation is SPORT = - 17,1 - 0,0024 MLAG3 + 0,0241 MLAG2 - 0,0444 MLAG1 + 0,0462 MATIK+ 0,0330 BLAG3 - 0,0203 BLAG2 + 0,0665 BLAG1 - 0,0541 BEBEK + 0,602 SLAG3 - 0,032 SLAG2 + 0,268 SLAG1 33 cases used, 3 cases contain missing values Predictor Coef SE Coef T P Constant -17,05 16,91 -1,01 0,325 MLAG3 -0,00241 0,01986 -0,12 0,905 MLAG2 0,02406 0,02361 1,02 0,320 MLAG1 -0,04440 0,02500 -1,78 0,090 MATIK 0,04621 0,02258 2,05 0,053 BLAG3 0,03295 0,03565 0,92 0,366 BLAG2 -0,02032 0,04136 -0,49 0,628 BLAG1 0,06648 0,05176 1,28 0,213 BEBEK -0,05408 0,05408 -1,00 0,329 SLAG3 0,6023 0,3130 1,92 0,068 SLAG2 -0,0321 0,2627 -0,12 0,904 SLAG1 0,2679 0,2329 1,15 0,263 S = 7,45645 R-Sq = 65,6% R-Sq(adj) = 47,5% Analysis of Variance Source DF SS MS F P Regression 11 2224,49 202,23 3,64 0,005 Residual Error 21 1167,57 55,60 Total 32 3392,06 Source DF Seq SS MLAG3 1 604,79 MLAG2 1 117,30 MLAG1 1 43,75 MATIK 1 186,51 BLAG3 1 40,31 BLAG2 1 101,65 BLAG1 1 11,98 BEBEK 1 130,88 SLAG3 1 913,71 SLAG2 1 0,09 SLAG1 1 73,53 Unusual Observations Obs MLAG3 SPORT Fit SE Fit Residual St Resid 29 544 54,00 39,87 2,86 14,13 2,05R R denotes an observation with a large standardized residual.
40
RIWAYAT HIDUP Bob Marshall Sitorus dilahirkan di Bogor pada tanggal 8 Januari 1992. Penulis merupakan anak kedua dari tiga bersaudara pasangan Bapak J. Sitorus dan Ibu N. Lumban Batu. Penulis meyelesaikan pendidikan dasar di Sekolah Dasar Negeri 1 Tlajung Udik selama enam tahun. Kemudian melanjutkan ke Sekolah Menengah Pertama Negeri 1 Cileungsi selama tiga tahun. Setelah itu penulis melanjut ke Sekolah Menengah Atas Negeri 1 Gunung Putri dan lulus pada tahun 2009. Penulis diterima di Institut Pertanian Bogor melalui jalur Ujian Talenta Mandiri IPB 2009 di Departemen Manajemen Fakultas Ekonomi dan Manajemen. Selama menjadi mahasiswa, penulis aktif dalam mengkuti kegiatan organisasi baik peningkatan kemampuan pendidikan maupun tambahan kegiatan lainnya seperti menjadi ketua pelaksana malam keakraban komisi literatur UKM PMK IPB 2011. Anggota UKM Taekwondo IPB. Selain itu, penulis juga mengikuti seminar-seminar dan kegiatan lainnya yang diadakan di kampus untuk menambah pengetahuan serta pengalaman penulis.
