ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN METODE KOINTEGRASI PADA TIPE MOBIL SEDAN, CITY CAR, MPV DAN SUV DI HONDA MANDIRI BOGOR

ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN METODE KOINTEGRASI PADA TIPE MOBIL SEDAN, CITY CAR, MPV DAN SUV DI HONDA MANDIRI BOGOR

Oleh DIMAS PERMADI CAHYONO H24097032

PROGRAM ALIH JENIS MANAJEMEN DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2012

2

RINGKASAN

DIMAS PERMADI CAHYONO. H24097032. Analisis peramalan penjualan menggunakan metode kointegrasi pada tipe mobil sedan, city car, MPV dan SUV di Honda Mandiri Bogor. Dibawah bimbingan MUHAMAD SYAMSUN. Pertumbuhan ekonomi di Indonesia terus mengalami peningkatan setelah kerisis moneter. Menurut data yang dikeluarkan Badan Pusat Statistik pertumbuhan ekonomi Indonesia pada tahun 2011 meningkat 6,5 persen terhadap tahun 2010 terjadi pada seluruh sektor ekonomi yaitu 7.427 triliun rupiah. Saat ini mobil merupakan kendaraan pribadi yang cukup diminati oleh masyarakat, karena selain terlindung dari panas dan hujan saat ini mobil juga lebih ekonomis dalam penggunaan bahan bakar, hal tersebut menyebabkan penjualan mobil semakin meningkat. PT. Mandiri Prawira Raya Motor atau lebih dikenal dengan nama PT. Honda Mandiri Bogor merupakan salah satu perusahaan yang bergerak dibidang otomotif. Adapun produk yang dipasarkan oleh PT. Honda Mandiri Bogor antara lain sedan, city car, MPV (Multi Purpose Vehicle), dan SUV (Sport Utility Vehicle). PT. Honda Mandiri Bogor memerlukan suatu instrument untuk melihat hubungan dan pengaruh punjualan suatu produk dengan produk lainnya. Hal ini diperlukan untuk membantu PT. Honda Mandiri Bogor dalam mengontrol penjualan produknya dalam beberapa periode ke depan. Pengaruh dan hubungan setiap produk dalam suatu perusahaan terkadang menyebabkan penurunan dan peningkatan penjualan terhadap produk lainnya. Tujuan penelitian ini yaitu menganalisis hubungan kointegrasi antara produk sedan, city car, MPV (Multi Purpose Vehicle), dan SUV (Sport Utility Vahicle), untuk mendapatkan prediksi atau ramalan pencapaian penjualan mobil di PT. Honda Mandiri Bogor pada tahun 2012, serta bagaimana kointegrasi produk dan ramalan penjualan memiliki kontribusi dalam perencanaan strategi yang mungkin diterapkan perusahaan dan keunggulan PT. Honda Mandiri Bogor dengan perusahaan pesaing. Data dan informasi yang digunakan pada penelitian ini adalah data primer dan data sekunder. Data primer diperoleh dengan melakukan proses wawencara dengan supervisor dari Honda Mandiri Bogor. Sedangkan data sekunder yang digunakan adalah laporan penjualan mobil di Honda Mandiri Bogor selama kurun waktu 3 (tiga) tahun terakhir. Jenis data yang akan digunakan adalah data kuantitatif yaitu berupa laporan penjualan mobil, serta data kualitatif yaitu data yang berupa penjelasan dan keterangan – keterangan. Selain itu hasil penelitian ini dianalisis menggunakan vector autoregression, uji stasioneritas data, uji kausalitas granger, uji lag optimum, uji kointegrasi, estimasi VECM, uji stabilitas model, impuls respons function dan foercast error decompotion variance. Berdasarkan hasil dan pembahasan dengan menggunakan metode kointegrasi didapatkan hasil bahwa hasil uji stasioner semua variabel yang digunakan dalam penelitian ini telah stasioner hal ini dikareakan nilai tes critic value lebih kecil dari nilai T-Statik dengan nilai kritis pada taraf 5 persen.

3

ANALISIS PERAMALAN PENJUALAN MENGGUNAKAN METODE KOINTEGRASI PADA TIPE MOBIL SEDAN, CITY CAR, MPV DAN SUV DI HONDA MANDIRI BOGOR

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 DIMAS PERMADI CAHYONO H24097032

PROGRAM ALIH JENIS MANAJEMEN DEPARTEMEN MANAJEMEN FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR BOGOR 2012

4

Judul Skripsi

: Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Tipe Mobil Sedan, City Car, MPV dan SUV di Honda Mandiri Bogor

Nama

: Dimas Permadi Cahyono

NIM

: H24097032

Menyetujui Dosen Pembimbing,

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

Menyetujui Ketua Departemen,

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

Tanggal lulus

:

5

RIWAYAT HIDUP

Dimas Permadi Cahyono dilahirkan pada tanggal 1 Mei 1988 di Bandung. Putra tunggal dari pasangan Drs. Pudji S. Pratjihno dan Sri Estiningsih. Pendidikan dasar penulis diselesaikan selama enam tahun di Sekolah Dasar Negeri Panaragan 2, Bogor. Kemudian melanjutkan di Sekolah Lanjutan Tingkat Pertama Negeri 3, Bogor. Sekolah Lanjutan Tingkat Atas Negeri 1 Bogor dan lulus pada tahun 2006. Setelah lulus dari SLTA, penulis melanjutkan pendidikan akademik di Program Diploma III Ekowisata, Fakultas Kehutanan, Institut Pertanian Bogor. Pendidikan di tempuh selama 3 tahun dan lulus pada tahun 2009. Pada tahun 2009 penulis melanjutkan pendidikan akademik pada program Sarjana Alih Jenis Manajemen, Departemen Manajemen, Fakultas Ekonomi dan Manajemen, Institut Pertanian Bogor.

iii

6

KATA PENGANTAR

Penulis mengucapkan puji syukur kepada Allah SWT atas segala nikmat, berkah, rizki dan ridho yang telah diberikan kepada penulis untuk menyelesaikan skripsi yang berjudul “Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Tipe Mobil Sedan, City Car, MPV Dan SUV Di Honda Mandiri Bogor”. Skripsi ini menjelaskan tentang cara mengolah data dan meramalkan penjualan pada tahun berikutnya atau tahun – tahun yang akan datang dengan melihat pengaruh – pengaruh variabel lain terhadap penjualan produk. Penulis berharap skripsi ini dapat bermanfaat dan memberikan wawasan baru tentang pengolahan data dan peramalan penjualan.

Bogor, Desember 2012

Penulis

iv

7

UCAPAN TERIMA KASIH

Pertama-tama penulis mengucapkan terima kasih kepada Allah SWT yang telah memberikan Rahmat dan Hidayah-Nya sehingga penulis dapat menyelesaikan Skripsi ini dengan baik.

Dalam penyusunan Skripsi ini banyak kesulitan dan

hambatan yang dihadapi, tetapi penulis banyak mendapatkan bantuan baik berupa bimbingan, saran-saran, fasilitas maupun kesempatan dari berbagai pihak sehingga penulis dapat menyelesaikan Skripsi ini dengan baik, secara khusus penulis mengucapkan terima kasih serta penghargaan kepada : 1. Bapak Dr. Ir. Muhammad Syamsun, M. Sc selaku dosen pembimbing yang telah memberikan masukan, dan mendukung penulis selama penyusunan skripsi. 2. Ibu Martha, selaku Direktur Honda Mandiri Bogor yang telah memberikan bantuan dalam menyelesaikan skripsi ini. 3. Staf

pendidikan

dan

staf

kependidikan

Program

Sarjana

Manajemen

Penyelenggaraan Khusus yang telah memberikan bimbingan selama penulis menempuh studi. 4. Orang tua penulis, Bapak Pudji dan Ibu Sri Estiningsih terima kasih untuk semua curahan kasih sayang dan bantuannya baik secara moril maupun materiil untuk mengantarkan penulis pada tahap keberhasilan. 5. Seluruh dosen serta staf Departemen Manajemen yang telah memberikan ilmu dan bimbingan selama penulis melanjutkan pendidikan akademik 6. Meriza, Iqbal, Hazmi, Indrazakti dan teman – teman di Departemen Ekstensi Manajemen yang tidak bisa disebut kan satu persatu yang telah memberikan bantuan serta dukungan dalam penyelesaian skripsi ini. 7. Semua pihak yang telah membantu penulis dalam menyelesaikan penulisan Skripsi ini, terima kasih.

v

8

DAFTAR ISI

Halaman RINGKASAN RIWAYAT HIDUP .......................................................................................... iii KATA PENGANTAR ...................................................................................... iv UCAPAN TERIMA KASIH ..............................................................................v DAFTAR ISI..................................................................................................... vi DAFTAR TABEL ...............................................................................................x DAFTAR GAMBAR ........................................................................................ xi DAFTAR LAMPIRAN.................................................................................... xii I.

PENDAHULUAN ........................................................................................1 1.1. 1.2. 1.3. 1.4. 1.5.

Latar Belakang .......................................................................................1 Perumusan Masalah ...............................................................................2 Tujuan Penelitian ...................................................................................2 Manfaat Penelitian .................................................................................3 Ruang lingkup .......................................................................................3

II. TINJAUAN PUSTAKA...............................................................................4 2.1. Mobil .....................................................................................................4 2.2.1 Sedan ..................................................................................................4 2.2.2 City Car ..............................................................................................4 2.2.3 Multi Purpose Vehicle........................................................................4 2.2.4 Sport Utility Vehicle ...........................................................................4 2.2. Kointegrasi ..............................................................................................5 2.3. Vector Auto Regression Model ...............................................................6 2.4. Vector Error Correction Model..................................................................7 2.5. Impulse Response Function ....................................................................8 2.6. Forecast Error Variance Decomposition................................................8 2.7. Pengertian Strategi .................................................................................9 2.8. Konsep Penjualan .....................................................................................9 2.8.1 Faktor yang Mempengaruhi Penjualan ........................................ 10 2.8.2 Tahapan Keputusan Pembelian.................................................... 11 2.9. Teori Peramalan ................................................................................... 13 2.10. Peramalan Penjualan............................................................................... 14 2.11. Tahapan Peramalan .............................................................................. 14 2.12. Pendekatan Dalam Peramalan .............................................................. 16 2.12.1 Metode Peramalan Kualitatif ..................................................... 16 2.12.2 Metode Peramalan Kuantitatif ................................................... 17 2.13. Penelitian Terdahulu ............................................................................ 18

vi

9

III. METODE PENELITIAN .......................................................................... 20 3.1 3.2 3.3 3.4

Kerangka Pemikiran............................................................................. 20 Lokasi dan Waktu Penelitian ................................................................ 22 Jenis dan Sumber Data ......................................................................... 22 Pengolahan dan Analisis Data .............................................................. 22 3.4.1 Vector Auto Regression (VAR).......................................................23 3.4.2 Uji Stasioneritas Data.......................................................................24 3.4.3 Uji Kausalitas Granger ....................................................................25 3.4.4 Uji Lag optimum ..............................................................................25 3.4.5 Uji Kointegrasi .................................................................................26 3.4.6 Estimasi VECM ...............................................................................27 3.4.7 Uji Stabilitas Model .........................................................................28 3.4.8 Impulse Respons Function ...............................................................28 3.4.9 Forecast Error Decomposition Variance ........................................29

IV. HASIL DAN PEMBAHASAN .................................................................. 30 4.1

Gambaran Umum Perusahaan .............................................................. 30 4.1.1 Sejarah Perusahaan...........................................................................30 4.1.2 Visi, Misi dan Moto Perusahaan ......................................................31 4.1.3 Produk Perusahaan ...........................................................................31 4.2 Hasil Analisis....................................................................................... 33 4.2.1 Analisis Kointegrasi .................................................................. 33 4.2.2 Uji Stasioner .....................................................................................33 4.2.3 Uji Kausalitas Granger....................................................................34 4.2.4 Uji Lag Optimum .............................................................................35 4.2.5 Pemodelan VAR ...............................................................................36 4.2.6 Uji Stabilitas Model .........................................................................38 4.2.7 Analisis Impuls Response Function .................................................38 4.2.8 Forecast Error Variance Decomposition .........................................53 4.2.9 Hasil Peramalan................................................................................56 4.2.10 Implikasi Manajerial ........................................................................59 KESIMPULAN DAN SARAN ......................................................................... 60 1. 2.

Kesimpulan ..................................................................................................60 Saran .....................................................................................................60

DAFTAR PUSTAKA ....................................................................................... 62 LAMPIRAN...................................................................................................... 64

vii

10

DAFTAR TABEL No.

Halaman

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.

Total penjualan mobil tahun 2006 – 2011 ....................................................1 Hasil uji stasioner ...................................................................................... 34 Hasil uji kausalitas untuk City, Civic, Jazz, Freed dan CR-V ..................... 35 Hasil penentuan panjang lag ..................................................................... 36 Hasil estimasi VAR ................................................................................... 37 Modulus ................................................................................................... 38 Hasil peramalan CR-V ............................................................................... 57 Hasil peramalan Freed ............................................................................... 57 Hasil peramalan City ................................................................................. 58 Hasil peramalan Civic ................................................................................ 58 Hasil peramalan Jazz ................................................................................. 59

viii

11

DAFTAR GAMBAR

No.

Halaman

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.

Kerangka pemikiran................................................................................... 21 Impuls respon CR-V .................................................................................. 39 Impuls respon Freed .................................................................................. 42 Impuls respon City..................................................................................... 45 Impuls respon Civic ................................................................................... 48 Impuls respon Jazz..................................................................................... 51 Variance Decomposition CR-V.................................................................. 53 Variance Decomposition Freed .................................................................. 54 Variance Decomposition City .................................................................... 55 Variance Decomposition Civic .................................................................. 55 Variance Decomposition Jazz .................................................................... 56

ix

12

DAFTAR LAMPIRAN

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

Halaman Penjualan PT Honda Mandiri Bogor 2009 - 2011....................................... 64 Uji stasioneritas ......................................................................................... 65 Uji kausalitas granger ................................................................................ 67 Uji lag optimum ........................................................................................ 68 Hasil estimasi VAR ................................................................................... 68 Uji stabilitas model .................................................................................... 70 Impulse response ....................................................................................... 71 Forecast Error Variance Decomposition of CRV,Freed,City, Civic, Jazz .. 76 Regresi model Minitab............................................................................... 82

x

I.

PENDAHULUAN

1.1. Latar Belakang Pertumbuhan ekonomi di Indonesia terus mengalami peningkatan setelah kerisis moneter. Menurut data yang dikeluarkan Badan Pusat Statistik Indonesia, pertumbuhan ekonomi pada tahun 2011 meningkat 6,5 persen dari tahun 2010 yang terjadi pada seluruh sektor ekonomi yaitu peningkatan sebesar 7.427 triliun rupiah. Peningkatan

tersebut

juga

terlihat

pada

sektor

otomotif

di

Indonesia.

(www.bps.go.id/brs_file/pdb_banner1.pdf) Peningkatan pada sektor otomotif, menurut laporan Gabungan Industri Kendaraan Bermotor Indonesia (Gaikindo) tingkat produksi dan penjualan mobil 2011 mengalami kenaikan dibanding tahun sebelumnya. Tingkat produksi tahun 2011 meningkat menjadi 894.164 unit, dibandingkan tahun sebelumnya yaitu 702.508 unit pada tahun 2010. (http://www.gaikindo.or.id, 2012) Tabel 1. Total penjualan mobil tahun 2006 – 2011 Nomer

Tahun

Jumlah Produksi

1.

2006

296.008

2.

2007

411.638

3.

2008

600.628

4.

2009

464.816

5.

2010

702.508

6.

2011

894.164

(Sumber : Gaikindo, 5 Januari 2012) PT. Honda Mandiri Motor memiliki 4 (empat) jenis produk yaitu sedan, city car, MPV (Multi Purpose Vehicle), dan SUV (Sport Utility Vehicle). Produk sedan berupa Hoda City dan Honda Civic. Produk city car berupa Honda Jazz. Produk MPV (Multi Purpose Vehicle) berupa Honda Freed. Sedangkan produk SUV (Sport Utility Vahicle) berupa CR-V. PT. Honda Mandiri Bogor memerlukan suatu instrument untuk melihat pengaruh dan hubungan antar keempat produk tersebut, sehingga dengan mengetahui hubungan dan pengaruhnya perusahaan dapat mengontrol penjualan keempat produk tersebut. Selain itu, analisis terhadap pengaruh dan hubungan keempat produk juga

2

akan membantu perusahaan dalam melakukan peramalan penjualan produknya. Peramalan penjualan dengan melihat hubungan dan pengaruh antar produk dibutuhkan

oleh

perusahaan

untuk

membantu

perusahaan

sebagai

bahan

pertimbangan dalam membuat keputusan dan kebijakan perusahaan. 1.2. Perumusan Masalah Berdasarkan data statistik yang diperoleh dari PT Honda Mandiri Bogor pada tahun 2009 sampai dengan 2011, penjualan mobil honda mengalami peningkatan sebesar 223 unit pada tahun 2010 dari 600 unit pada tahun 2009 menjadi 823 unit di tahun 2010, sedangkan pada tahun 2011 mengalami penurunan sebesar 123 unit dari 823 unit di tahun 2010 menjadi 700 unit di tahun 2011. Salah satu instrumen yang dapat digunakan untuk melihat hubungan dan pengaruh hubungan keempat produk dalam jangka panjang yaitu uji kointegrasi. Esensi dari kointegrasi adalah bahwa series tidak dapat menyebar ke segala arah jauh dari satu sama lain dan menjelaskan bahwa keberadaan hubungan jangka panjang antara series ini dan series yang lain dapat ditulis pada suatu format Error Correction. Hubungan jangka panjang keempat produk tersebut juga akan mempengaruhi peramalan penjualan kedepannya.

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 ramalan tersebut dapat dijadikan target penjualan perusahaan di masa yang akan datang. 1.3. Tujuan Penelitian Berdasarkan perumusan masalah di atas, maka tujuan dari penelitian ini adalah: 1.

Menganalisis uji kointegrasi antara jenis produk sedan, city car, MPV (Multi Purpose Vehicle), dan SUV (Sport Utility Vahicle) di PT. Honda Mandiri Bogor.

2.

Mendapatkan prediksi atau ramalan pencapaian penjualan mobil di PT. Honda Mandiri Bogor pada semester awal tahun 2012.

3

3.

Bagaimana kointegrasi produk dan ramalan penjualan memiliki kontribusi dalam perencanaan strategi penjualan yang mungkin diterapkan perusahaan.

1.4. Manfaat Penelitian 1.

Hasil penelitian ini diharapkan mampu memberi manfaat bagi perusahaan sebagai informasi untuk meningkatkan penjualan dan sebagai pertimbangan dalam melakukan perencanaan strategi pemasaran nya sehingga perusahaan dapat mengembangkan usahanya

2.

Bagi penulis, penelitian ini berguna untuk mengaplikasikan ilmu yang telah dipelajari selama melakukan pendidikan di Ekstensi FEM dan juga sebagai salah satu syarat kelulusan untuk mendapatkan gelar Sarjana Ekonomi.

3.

Hasil penelitian ini diharapkan dapat berguna bagi pihak – pihak yang berkaitan dan dapat dipergunakan sebagai bahan referensi serta tambahan informasi.

1.5. Ruang Lingkup Penelitian Ruang lingkup penelitian ini yaitu analisis kointegrasi penjualan produk sedan, city car, MPV (Multi Purpose Vehicle), dan SUV (Sport Utility Vahicle) dari tahun 2009 sampai dengan 2011 pada PT. Honda Mandiri Bogor di wilayah Bogor. Dengan menggunakan alat analisis Vector Error Correction Model (VECM) dan untuk peramalan nya menggunakan Impuls Respons Function (IRF) dan Forecast Error Variance Decomposit.

4

II.

TINJAUAN PUSTAKA

2.1. Tipe – Tipe Mobil Mobil dapat dikategorikan secara luas ke dalam berbagai jenis berdasarkan bentuk, ukuran, spesifik mekanik, dan kinerja. Merek mobil yang dijual di Indonesia sangat banyak dan beragam jenisnya. Oleh karena itu penting bagi seseorang untuk menentukanmobil apa yang sebenarnya diperlukan. Berikut adalah jenis daftar jenis – jenis mobil menurut Hilmy (2012). 2.1.1 Sedan Sedan adalah sebuah jenis mobil penumpang dengan 3 macam konfigurasi dengan Pilar A, B, dan C. Bagian untuk penumpang terdiri dari 2 baris tempat duduk dengan kapasitas sampai dengan 7 orang. Untuk barang biasanya diletakkan di belakang, kecuali untuk beberapa mobil yang mesinnya diletakkan di belakang 2.1.2 City Car City Car (atau yang dikenal juga sebagai mobil perkotaan atau mobil mini) adalah mobil dengan dimensi yang kecil, yang digunakan pada kawasan perkotaan. Hampir semua industri otomotif memiliki satu atau dua model city car yang dipasarkan diseluruh dunia. 2.1.3 Multi Purpose Vehicle (MPV) MPV (Multi Purpose Vehicle) juga biasa disebut sebaga Minivan, merupakan mobil dengan daya angkut sebuah van tapi memiliki kenyamanan dan handling mendekati sedan atau station wagon, serta didesain untuk memiliki interior maksimum. Prioritas utama konsep MPV adalah daya angkut Penumpangnya. 2.1.4 Sport Utility Vehicle (SUV) SUV (Sport Utility Vehicle) adalah gabungan sedan atau station wagon dengan jip. Prioritas pengembangannya adalah kemampuan menembus berbagai medan, termasuk medan off – road. Karena itu awalnya SUV memiliki penggerak empat roda. Dalam perkembangannya, ada juga SUV yang lebih condong ke sedan

5

dan berpenggerak dua roda. Belakangan SUV juga dikembangkan untuk memiliki daya angkut penumpang maksimal, misalnya SUV 7 – seater. 2.2. Kointegrasi Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan (Engle dan Granger, 1987). Regresi spurious atau disebut dengan hasil regresi palsu yaitu suatu persamaan regresi yang didapatkan akibat variabel dependen dan variabel independen yang digunakan untuk membentuk regresi tidak stasioner dan atau pembentukan variabelnya tidak berkorelasi secara subtansi (Gujarati, 2003). 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 pentingnya proses kointegrasi dimana konsep ini membantu memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan time series non-stasioner. Data deret waktu dapat dibedakan menjadi data deret waktu yang bersifat stasioner dan tidak stasioner. Data stasioner memiliki nilai rata-rata dan variansi yang relatif konstan dari waktu ke waktu, sedangkan data yang tidak stasioner relatif bervariansi dari waktu ke waktu (Aritonang, 2002). Data time series dapat juga dibedakan menjadi empat komponen, yaitu trend, musim, siklus, dan variasi acak atau random variation. 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 kointegrsi 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

koefisiennya menjadi satu.

vektor

kointegrasi dengan

menetapkan

6

2.

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

3.

Bila vektor

mempunyai n komponen, maka akan ada n-1 vektor kointegrasi

linear yang tidak tergantung satu dengan yang lainnya. Jumlah vektor kointegrasi ini dinamakan peringkat kointegrasi (cointegration rank), biasanya dilambagkan dengan r. Sifat penting yang terdapat dalam variabel – variabel yang terkointegrasi adalah perjalanan waktu variabel – variabel tersebut dipengaruhi oleh perubahan atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabel – variabel non – stasioner yang terintegrasi pada orde yang sama dan terkointegrasi akan menjadi stasioner dalam jangka panjang (Enders, 2004). 2.3. Vector Autoregression (VAR) Model Vector Autoregression (VAR) merupakan alat analisis atau metode statistik yang bisa digunakan baik untuk memproyeksikan sistem variabel-variabel runtut waktu (Time series) maupun untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. Keunggulan dari analisis VAR antara lain : (Khaerunnisa, 2009) 1.

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

2.

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

3.

Hasil Ramalan (Forecast) yang diperoleh dengan VAR dalam banyak kasus lebih bagus dibandingkan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun. Namun demikian, model VAR juga mempunyai kekurangan, diantaranya

adalah sebagai berikut : 1.

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

2.

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

3.

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

7

4.

Semua variabel VAR harus stasioner.

5.

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

setiap peubah dalam persamaan merupakan fungsi linier dari konstanta nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada di dalam sistem (Agung, 2009). Jadi, peubah penjelas dalam VAR meliputi nilai lag seluruh peubah tak bebas dalam sistem. Model VAR dikembangkan oleh Christoper Sims pada tahun 1980. Model ini pada dasarnya hampir sama dengan model untuk menguji Granger’s Causality. Model VAR sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi. 2.4. Vector Error Correction Model (VECM) Vector Error Correction Model (VECM) adalah suatu analisis untuk melakukan rekonsiliasi perilaku peubah ekonomi jangka panjang dan peubah ekonomi jangka pendek (Gujarati, 1995). Untuk itu peubah – peubah dalam VECM memiliki hubungan jangka panjang atau kointegrasi. Hubungan dinamis jangka pendek antar peubah dalam sistem dipengaruhi oleh deviasi atau penyimpangan dari keseimbangan jangka panjang. Model VECM berguna untuk mengukur kecepatan deviasi kembali ke keseimbangan. Vector

Error

Correction

Model

(VECM)

adalah

restricted

Vector

Autoregression (VAR) yang berkointegrasi. VECM di design untuk data time series non stationer yang berkointegrasi. Faktor kointegrasi dikenal sebagai error correction term, mengingat bahwa deviasi keseimbangan jangka panjang diperbaiki secara perlahan-lahan melalui beberapa tahap jangka pendek. 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).

8

Variabel sisi sebelah kanan dalam model ini merupakan error correctionmodel term. Dalam ekuilibrium jangka panjang, residual (term) ini adalah nol. Namun demikian, apabila ada deviasi dengan ekuilibrium jangka panjang error correction term tidak sama dengan nol dan masing-masing variabel secara parsial menyesuaikan pada hubungan ekuilibrium. 2.5. Impulse Response Function (IRF) Impuls response function merupakan suatu cara pengujian struktur dinamis dari sistem variabel dalam model yang diamati dan dicerminkan oleh variabel inovasi (Enders, 2004). IRF menunjukkan respon dari setiap variabel endogen sepanjang waktu terhadap kejutan (shock) dari variabel itu sendiri dan variabel endogen lainnya. IRF juga mengidentifikasikan suatu kejutan pada suatu vaariabel endogen sehingga dapat menetukan bagaimana suatu perubahan yang tidak diharapkan dalam variabel mempengaruhi variabel lainnya sepanjang waktu. Dengan demikian, IRF digunakan untuk melihat pengaruh kontemporer dari sebuah variabel independen jika mendapatkan guncangan atau inovasi dari variabel independen sebesar satu standar deviasi. 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 lainnya. IRF juga bertujuan untuk mengisolasi suatu shock agar lebih spesifik artinya variabel ekonomi hanya dipengaruhi oleh shock tertentu saja. Apabila hal tersebut tidak dilakukan maka shock spesifik tersebut tidak dapat diketahui dan yang dapat diketahui adalah shock secara umum. 2.6. Forecast Error Variance Decomposition (FEVD) Forecast Error Decomposition of variance (FEVD) dapat memberikan informasi mengenai variabel inovasi yang relatif lebih penting dalam VAR. Metode

9

ini digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro, yang ditujukan oleh perubahan variance error yang dipengaruhi oleh variabel-variabel lainnya. Metode ini juga dapat mencirikan struktur dinamis dalam model VAR, dengan metode ini juga dapat dilihat kekuatan dan kelemahan dari masing – masing variabel dalam mempengaruhi variabel lainnya pada kurun waktu yang panjang (how long/ how persistent). Forecast Error Decomposition of variance merinci varian dari error peramalan (forecast) menjadi komponen – komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Melalui perhitungan persentase squared prediction error k, tahap awal dari sebuah variabel akibat inovasi dalam variabel – variabel lain, dapat dilihat seberapa besar error peramalan variabel tersebut disebabkan oleh variabel itu sendiri dan variabel – variabel lainnya. FEVD dilakukan untuk memberikan informasi mengenai bagaiman hubungan dinamis antara variabel yang dianalisis. Selain itu, FEVD dilakukan untuk melihat seberapa besar pengaruh acak guncangan (random shock) dari variabel tertentu terhadap variabel endogen. FEVD menghasilkan informasi mengenai relatif pentingnya masing-masing inovasi acak (random innovation structural disturbance) atau seberapa kuat peranan variabel tertentu terhadap lainnya. 2.7. Pengertian Strategi Definisi strategi menurut Bittel dalam Alma (2009) bahwa strategi ” is a fundamental plan of action taht is intended to accomplish the company’s objective” artinya strategi ialah suatu rencana yang fundamental untuk mencapai tujuan perusahaan. Andrews dalam Alma (2007) menyatakan bahwa strategi perusahaan adalah pola keputusan dalam perusahaan yang menentukan dan mengungkapkan sasaran, maksud atau tujuan yang menghasilkan kebijaksanaan utama dan merencanakan untuk pencapaian tujuan serta merinci jangkauan bisnis yang akan dikejar oleh perusahaan. 2.8. Konsep Penjualan Menurut Kotler (2005) konsep penjualan merupakan orientasi bisnis lainnya. Konsep penjualan berkeyakinan bahwa para konsumen dan perusahaan bisnis jika

10

dibiarkan tidak akan secara teratur membeli cukup banyak produk yang ditawarkan oleh organisasi tertentu. Oleh karena itu, organisasi tersebut harus melakukan usaha penjualan dan promosi yang agresif.

Konsep itu mengasumsikan bahwa para

konsumen umumnya menunjukan keengganan atau penolakan untuk membeli sehingga harus dibujuk supaya membeli. Konsep itu juga mengasumsikan bahwa perusahaan memiliki banyak sekali alat penjualan dan promosi yang efektif yang dapat merangsang lebih banyak pembeli. Kebanyakan perusahaan mempraktekan konsep penjualan ketika mereka mempunyai kapasitas yang berlebih.

Tujuan mereka adalah menjual apa yang

mereka hasilkan dan bukannya menghasilkan apa yang diinginkan pasar. Dalam perekonomian industry modern, kapasitas produktif telah dibangun dengan anggapan bahwa kebanyakan pasar merupakan pasar pembeli (pembelinya dominan) sehingga penjual harus berjuang untuk mendapatkan pelanggan. Para calon pembeli dihujani dengan iklan TV, iklan surat kabar, surat langsung dan telepon penjualan. Pada tiap kesempatan dimana saja, seseorang berusaha untuk mejual sesuatu.

Akibatnya,

publik sering mengidentifikasikan pemasaran sebagai penjualan dan periklanan yang keras (Kotler, 2005). 2.8.1 Faktor yang mempengaruhi Penjualan Suatu kegiatan penjualan dapat dipengaruhi oleh beberapa hal yaitu (Swastha, 2000) : 1. Kondisi dan Kemampuan penjual Penjual harus dapat meyakinkan kepada pembelinya agar dapat berhasil mencapai sasaran penjualan yang diharapkan. Penjual harus memahami jenis karakteristik produk yang ditawarkan, harga produk, dan syarat penjualan seperti pembayaran, penghantaran, pelayanan purna jual dan garansi. 2. Kondisi Pasar Pasar sebagai kelompok pembeli atau pihak yang menjadi sasaran dalam penjualan. Faktor-faktor kondisi pasar yang perlu diperhatikan adalah jenis pasar, kelompok pembeli, segmen pasar, daya beli, frekuensi pembelian, keinginan dan kebutuhannya.

11

3. Modal Penjual

harus

memperkenalkan

dulu

atau

membawa

produknya

kepadapembeli, diperlukan adanya sarana serta usaha seperti alat transport, tempat peragaan baik dalam perusahaan maupun di luar perusahaan, usaha promosi dan lain-lain, dimana semuanya itu disebut dengan modal. 4. Kondisi organisasi perusahaan Pada perusahaan kecil, jumlah tenaga kerjanya lebih sedikit, sistem organisasinya lebih sederhana, masalah-masalah yang dihadapi serta sarana yang dimilikinya tidak sekompleks perusahaan besar. Masalah penjualan ditangani sendiri oleh pimpinan dan tidak diberikan pada orang lain. 5. Faktor lain Faktor-faktor lain umumnya seperti periklanan, peragaan, kampanye, pemberian hadiah sering mempengaruhi penjualan. 2.8.2 Tahapan Keputusan Pembelian Menurut Menurut philip kotler (2003) proses pengambilan keputusan pembelian pada konsumen di bagi menjadi lima tahapan yaitu: 1.

Pengenalan Masalah Proses pembelian dimulai ketika pembeli mengenali masalah atau kebutuhan. Kebutuhan tersebut dapat dicetuskan oleh rangsangan internal atau eksternal.

Pada tahap ini pemasar perlu melakukan identifikasi

keadaan yang dapat memicu timbulnya kebutuhan konsumen. pemasar

dapat

melakukan

penelitian

pada

konsumen

Para untuk

mengidentifikasi rangsangan yang paling sering membangkitkan minat mereka terhadap suatu produk. 2.

Pencarian Informasi Konsumen yang terangsang kebutuhannya akan terdorong untuk mencari informasi yang lebih banyak. Dalam tahap ini, pencarian informasi yang dilakukan oleh konsumen dapat dibagi ke dalam dua level, yaitu situasi pencarian informasi yang lebih ringan dinamakan dengan penguatan informasi. Pada level ini orang akan mencari serangkaian informasi tentang sebuah produk.

Pada level kedua, konsumen mungkin akan

mungkin masuk kedalam tahap pencarian informasi secara aktif. Mereka

12

akan mencari informasi melalui bahan bacaan, pengalaman orang lain, dan mengunjungi toko untuk mempelajari produk tertentu. 3.

Evaluasi alternatif Dalam tahapan selanjutnya, setelah mengumpulkan informasi sebuah merek, konsumen akan melakukan evaluasi alternatif terhadap beberapa merek yang menghasilkan produk yang sama. Pada tahap ini ada tiga buah konsep dasar yang dapat membantu pemasar dalam memahami proses evaluasi konsumen. Pertama, konsumen akan berusaha memenuhi kebutuhannya.

Kedua, konsumen akan mencari manfaat tertentu dari

solusi produk.

Ketiga, konsumen akan memandang masing-masing

produk sebagai sekumpulan atribut dengan kemampuan yang berbedabeda dalam memberikan manfaat yang digunakan dan untuk memuaskan kebutuhan itu. Atribut yang diminati oleh pembeli dapat berbeda-beda tergantung pada jenis produknya, contohnya, konsumen akan mengamati perbedaan atribut sperti ketajaman gambar, kecepatan kamera, ukuran kamera dan harga yang terdapat pada sebuah kamera. 4.

Keputusan Pembelian Dalam melakukan evaluasi alternatif, konsumen akan mengembangkan sebuah keyakinan atas merek dan tentang posisi tiap merek berdasarkan masing-masing atribut yang berujung pada pembentukan citra merek. Selain itu, pada tahap evaluasi alternatif konsumen juga membentuk sebuah preferensi atas merek-merek yang ada dalam kumpulan pribadi dan konsumen juga akan membentuk niat untuk membeli merek yang paling di sukai dan berujung pada keputusan pembelian.

Pada tahapan keputusan pembelian, konsumen dipengaruhi oleh dua faktor utama yang terdapat diantara niat pembelian dan keputusan pembelian yaitu: 1. Sikap orang lain, yaitu sejauh mana sikap orang lain mengurangi alternatif yang disukai seseorang akan bergantung pada dua hal. Pertama, intensitas sikap negatif orang lain terhadap alternatif yang disukai calon konsumen. Kedua, motivasi konsumen untuk menuruti keinginan orang lain (Fisbhein, dalam Kotler 2003. Semakin gencar sikap negatif orang lain dan semakin dekat orang lain tersebut dengan konsumen, maka konsumen akan semakin

13

mengubah niat pembeliannya. Keadaan preferensi sebaliknya juga berlaku, preferensi pembeli terhadap merek tertentu akan meningkat jika orang yang ia sukai juga sangat menyukai merek yang sama. 2. Faktor yang kedua adalah faktor situasi yang tidak terantisipasi yang dapat mengurangi niat pembelian konsumen. Contohnya, konsumen mungkin akan kehilangan niat pembeliannya ketika kehilangan pekerjaannya atau adanya kebutuhan yang lebih mendesak pada saat yang tidak terduga sebelumnya. 2.9. 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. Menurut Hanke (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 masa waktu yang akan datang.

Hasil

pengolahan data masa lalu akan menjadi tolak ukur perusahaan untuk membuat perencanaan langkah yang akan diambil oleh perusahaan. Tujuan peramalan adalah mengurangi rentang ketidakpastian dimana pendapat pribadi (judgment) 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.

14

Pertimbangan yang terakhir seringkali disalah – artikan dan dapat membuat frustasi forecaster (peramal) profesional. Namun jika ramalan akan digunakan untuk keuntungan perusahaan, maka mereka yang mempunyai wewenang harus memanfaatkannya. Makridarkis (dalam Wisastri, 2006), menyatakan bahwa terdapat beberapa faktor penting yang harus dipertimbangkan dalam peramalan, mencakup: 1.

Jarak ke masa depan yang harus diramal.

2.

Tenggang waktu yang tersedia untuk mengambil keputusan.

3.

Tingkat akurasi yang diperlukan.

4.

Kualitas data yang tersedia untuk analisis.

5.

Sifat hubungan yang tercangkup dalam masalah peramalan.

6.

Biaya dan keuntungan yang berkaitan dengan masalah peramalan.

2.10. Peramalan Penjualan Menurut Assauri (2009), peramalan penjualan merupakan kegiatan penyusunan ramalan tentang sifat atau ciri penjualan dari suatu produk yang dihasilkan oleh suatu perusahaan (termasuk jumlah, kualitas serta harga dari produk tersebut) pad suatu waktu tertentu di masa yang akan datang. Peramalan penjualan berarti suatu proses memperkirakan secara sistematik tentang penjualan yang paling mungkin terjadi pada masa yang akan datang berdasarkan data penjualan masa lalu dan sekarang yang dimiliki.

Hasil penjualan sebelumnya digunakan sebagai titik awal dalam

penyusunan ramalan penjualan. Peramalan menjadi salah satu hal hyang penting dalam pengambilan keputusan manajemen. Hal ini dikarenakan keefektifan sebuah keputusan tergantung dalam deret kejadian – kejadian yang diakibatkan keputusan tersebut. Salah satu peramalan yang penting dan sering dilakukan perusahaan adalah peramalan penjualan (Pierce dan Robinson, 1997). 2.11. Tahapan Peramalan Menurut Hanke (2003), semua prosedur formal peramalan melibatkan penarikan pengalaman masa lalu kedalam ketidak pastian masa depan. Jadi, semua prosedur menggunakan asumsi bahwa kondisi dimana hasil dari data masa lalu tidak

15

berbeda dengan kondisi masa depan, kecuali pada variabel – variabel yang secara eksplisit dikenali oleh model peramalan. Pengenalan terhadap operasi teknik peramalan pada data menghasilkan kejadian historis mengarah ke identifikasi 5 (lima) tahapan proses peramalan sebagai berikut: 1.

Pengumpulan data

2.

Pemadatan atau pengurangan data

3.

Penyusunan model dan evaluasi

4.

Ekstrapolasi model (peramalan aktual)

5.

Evaluasi peramalan

Tahap 1, pengumpulan data, menyarankan pentingnya perolehan data yang sesuai dan meyakinkan peramalannya.

Tahap ini sering kali merupakan bagian

paling menantang dari keseluruhan proses peramalan dan paling sulit untuk dimonitor karena serangkaian tahapan dapat dilakukan pada data dalam menentukan kesesuaiannya dengan masalah. Koreksi dan masalah pengendalian mutu biasanya dipenuhi kalau diperlakukan untuk mendapatkan data terkait didalam suatu organisasi. Tahap 2, pemadatan dan pengurangan data, seringkali diperlukan karena mungkin saja terjadi kelebihan data dalam proses peramalan atau sebaliknya terlalu sedikit. Beberapa data mungkin tidak relevan dengan masalah dan dapat mengurangi keakuratan peramalan. Tahap 3, penyusunan dan evaluasi model, meliputi pencocokan data terkumpul kedalam model yang sesuai dalam hal meminimalisasi kesalahan peramalan. Model yang lebih sederhana, lebih baik keadaannya dalam hal diterimanya proses peramalan oleh manajer yang harus membuat keputusan perusahaan. Seringkali harus diseimbangkan antara pendekatan peramalan canggih yang hasilnya sedikit lebih akurat dengan pendekatan sederhana yang lebih mudah dipahami serta mendapatkan dukungan dan tentunya secara aktif digunakan oleh pengambil keputusan perusahaan.

Jelasnya, pendapat pribadi dilibatkan dalam, proses

pemilihan. Tahap 4, ekstrapolasi model (peramalan aktual), terdiri dari model peramalan aktual yang dihasilkan begitu data yang sesuai telah terkumpul dan kemungkinan

16

dikurangi dan model peramalan yang sesuai juga sudah dipilih.

Seringkali

peramalan untuk periode yang baru lewat dibandingkan dengan nilai historis aktual telah diketahui digunakan untuk memeriksa keakuratan proses peramalan. Tahap 5, evaluasi peramalan, melibatkan membandingkan nilai peramalan dengan nilai historis aktual. Dalam proses ini beberapa nilai data terkini kemudian diambil dari himpunan data yang sedang dianalisa. Setelah model peramalan selesai, peramalan dilakukan untuk beberapa periode tersebut dan dibandingkan dengan nilai – nilai historis yang diketahui. Beberapa prosedur peramalan menjumlahkan nilai absolute dari kesalahan dan hasil penjumlahannya dilaporkan, atau dibagi dengan jumlah perlakuan peramalan sehingga menghasilkan rata – rata kesalahan peramalan. 2.12. Pendekatan dalam Peramalan Menurut Heizer dan Render (2006), terdapat pendekatan umum peramalan, yaitu analisis kuantitatif dan analisis kualitatif. Peramalan kuantitatif (quantitative forecast) menggunakan model otomatis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan.

Peramalan subjektif atau

kualitatif (qualitative forecast) menggabungkan faktor seperti intuis, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal. 2.12.1 Metode Peramalan Kualitatif Terdapat 4 (empat) teknik peramalan yang berbeda: 1.

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

2.

Metode Delphi (Delphi method). Ada 3 (tiga) jenis peserta dalam metode Delphi pengambil keputusan, karyawan, dan responden.

Pengambilan

keputusan biasanya terdiri dari 5 (lima) sampai 10 (sepuluh) orang pakar yang akan melakukan peramalan.

Karyawan membantu pengambilan keputusan

dengan menyiapkan, menyebarkan, mengumpulkan, serta meringkas sejumlah kuesioner dan hasil survey.

Responden adalah sekelompok orang yang

biasanya ditempatkan di tempat yang berbeda, di mana penilaian dilakukan.

17

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

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

4.

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

2.12.2 Metode Peramalan Kuantitatif Peramalan kuantitatif menggunakan model matematik yang beragam dengan data masa lalu dan peubah sebab – akibat untuk meramalkan permintaan. Metode peramalan kuantitatif memerlukan data historis atau data empiris, mutu data dan pemilihan metode yang cocok akan menentukan kualitas hasil peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat 3 (tiga) kondisi (Makridarkis dalam Wisastri, 2006) berikut: 1. Terdapat informasi masa lalu. 2. Informasi tersebut bisa dikuantitatifkan dalam bentuk data numerik. 3. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa mendatang. Dua asumsi pertama merupakan syarat keharusan bagi penerapan metode peramalan kuantitatif.

Sedangkan asumsi ketiga merupakan syarat kecukupan,

artinya walaupun asumsi ketiga dilanggar, model yang dirumuskan masih dapat dipergunakan. Karena hal ini akan memberikan kesalahan peramalan yang relatif besar, bila perubahan data ataupun bentuk hubungan fungsional tersebut terjadi secara sistematis. Berdasarkan data masa lalu, metode peramalan kuantitatif dibagi menjadi 2 (dua) bagian, yaitu metode deret waktu (time series), yaitu model yang membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu, dengan menggunakan data masa lalu dapat melakukan peramalan. Dalam metode deret

18

waktu peramal hanya berusaha mencari pola – pola dari data suatu data, tanpa berusaha mencari apa penyebab dan mengapa polanya demikian. Bisa jadi pola data masa lalu tidak sama lagi dengan masa depan, karena faktor – faktor yang mempengaruhinya sudah berubah.

Metode peramalan kedua adalah metode

peramalan associative atau metode peramalan kausal (metode peramalan eksplanatori), yaitu metode peramalan yang menggabungkan peubah atau faktor yang mungkin mempengaruhi permintaan atas suatu produk (peubah bebas) terhadap permintaan suatu produk (peubah tidak bebas). Peramalan kuantitatif juga memiliki keterbatasan, jika terjadi perubahan pola data atau hubungan sebab akibat, maka hasil ramalan menjadi kurang akurat (Heizer dan Render, 2006). 2.13. Penelitian Terdahulu Asri (2008) melakukan penelitian mengenai Analisis Peramalan Penjualan matrix blackberry PT Indosat, TBK dalam rangka perencanaan strategi pemasaran. Pada penelitian ini data yang digunakan merupakan data penjualan per bulan, dari bulan Desember 2005 sampai bulan Desember 2007 secara nationwide dan data penjualan perbualn Matrix Blackberry per wilayah penjualan (Jabotabek dan Banten, Sumatera bagian utara, Sumatera bagian selatan, Jawa Barat, JawaTengah dan DIY, Jawa Timur, dan Bali Nusa Tenggara, Kalimantan, Sulawesi, Maluku dan Papua) dari bulan Januari sampai Bulan Desember 2007 diolah dengan metode peramalan time series dan regresi. Berdasarkan hasil pengolahan data tersebut diperolah hasil bahwa pola data penjualan matrix blackberry merupakan trend yang terus meningkat, pola trend pada data penjualan blackberry menunjukkan peningkatan yang berkelanjutan. Sedangkan dari data penjualan dan hasil peramalan diketahui bahwa penjualan matrix blackberry paling tinggi adalah wilayah Jabotabek dan Banten, penjualan paling rendah berada di wilayah Kalimantan, hal ini memang dilatarbekakangi oleh letak geografis dan ekonomis setiap wilayah serta karakteristik masyarakatnya. Fikriansyah (2011) melakukan penelitian mengenai Analisis Peramalan Penjualan di Auto 2000 Bogor dalam rangka meramalkan atau mengetahui tingkat penjualan Auto 2000 pada akhir tahun 2011 serta merencanakan strategi penjualannya. Pada penelitian ini data yang digunakan merupakan data penjualan per – bulan, dari bulan Januari 2005 sampai dengan bulan Desember 2010 secara

19

regional wilayah penjualan (Auto 2000 Siliwangi) yang diolah dengan menggunakan metode time series dan regresi.

Berdasarkan hasil pengolahan data tersebut

diperoleh hasil bahwa pola data penjualan mobil di Auto 2000 Siliwangi ada yang meningkat dan juga ada yang turun.

Sedangkan dari data penjualan dan hasil

peramalan diketahui bahwa penjualan mobil di Auto 2000 Siliwangi adalah pada tipe mobil city car dan MPV meningkat, sedangkan pada tipe sedan menurun. Hal ini dilatar belakangi oleh penjualan city car dan MPV dipengaruhi oleh variabel city car dan MPV (saling berkaitan), sedangkan sedan dipengaruhi oleh variabel sedan itu sendiri. Maulya, Kiki (2011) melakukan penelitian mengenai analisis peramalan penjualan menggunakan metode kointegrasi tiga komoditi pada PT S-IK Indonesia. Berdasarkan analisis yang dilakukan untuk 6 bulan kedepan produk terjadi fluktuasi pada nilai prediksi persamaan regresi, sehingga mempengaruhi nilai peramalan penjualannya. Pada penjualan produk ABS nilai prediksi penjualan dari persamaan regresi terjadi penurunan disetiap bulannya, sedangkan pada penjualan produk PP nilai prediksi 6 bulan ke depan terlihat peningkatan di setiap bulannya. Pada penjualan produk PS terjadi fluktuasi disetiap bulannya. Penurunan penjualan PS terjadi pada bulan ke 65 dan bulan ke 66. Indrazakti (2011) melakukan penelitian mengenai analisis peramalan penjualan menggunakan metode kointegrasi pada produk safe 1 dan cypergard (500 ml dan 100 ml) di PT Chemigard. Dari hasil peramalan penjualan yang dilakukan untuk 6 bulan kedepan, semua produk terjadi fluktuasi pada nilai prediksi persamaan regresi, sehingga mempengaruhi nilai peramalan penjualan menjadi turun naik. Berdasarkan hasil Variance Decomposition untuk 50 bulan kedepan pengaruh dominan dalam penjualan produk Safe 1 adalah produk safe 1 itu sendiri dan pengaruh produk lain yang paling besar adalah Cypergard 100 ml. Pengaruh dominan dalam penjualan Cypergard 100 ml adalah Cypergard 100 ml itu sendiri dan pengaruh produk lain yang paling besar adalah Cypergard 500 ml. Sedangkan pengaruh dominan dalam penjualan Cypergard 500 ml adalah variabel lain yaitu Cypergard 100 ml.

20

III.

METODE PENELITIAN

3.1. Kerangka Pemikiran Kerangka pemikiran dalam penelitian dapat dijadikan landasan dalam setiap tahap penelitian. Salah satu tujuan dari penelitian ini adalah mengetahui metode peramalan penjualan terbaik untuk setiap mobil yang dipasarkan oleh PT Honda Mandiri Bogor dalam rangka merencanakan strategi pemasaran.

Penelitian ini

dimulai dengan mengumpulkan data – data yang dibutuhkan, dimana data tersebut haruslah relevan. Adapun data yang dibutuhkan adalah data historis penjualan mobil di PT Honda Mandiri Bogor dalam kurun waktu 3 (tiga) tahun terakhir yaitu tahun 2009 sampai dengan 2011. Data ini akan diolah dan dianalisis selanjutnya akan dibuatkan plot pola data penjualan 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 stationer maka model yang dapat digunakan untuk analisis peramalan adalah Vector Autoregression atau VAR. Setelah dilakukan analisis VAR maka akan diperoleh hasil VAR, hasil tersebut akan menunjukan peramalan penjualan untuk produk sedan, city car, MPV dan SUV selama kurun waktu 6 (enam) bulan kedepan.

21

PT. HONDA MANDIRI BOGOR

Melihat hubungan antar produk untuk meramalkan penjualan yang digunakan guna menyusun perencanaan yang lebih akurat

Data Penjualan PT. Honda Mandiri Bogor Tahun 2009 – 2011

UJI KOINTEGRASI

STASIONER 1. 2. 3. 4. 5. 6.

TIDAK STASIONER

Uji Kausalitas Granger Uji lag optimum Hasil Estimasi VAR Uji Stabilitas Model Impulse Response FEVD

1. 2. 3. 4. 5. 6.

Uji Kausalitas Granger Uji lag optimum Model VECM Uji Stabilitas Model Impulse Respon FEVD

HASIL ANALISIS

IMPLIKASI MANAJERIAL Gambar 1. Kerangka pemikiran

22

3.2.

Lokasi dan Waktu Penelitian Penelitian ini dilakukan di sebuah pusat penjualan mobil yang hanya menjual

mobil dengan merek Honda yaitu PT. Honda Mandiri Bogor. Honda Mandiri Bogor (PT. Mandiri Prawira Raya Motor) yang berlokasi di Jl Raya Pajajaran No 27 Bogor. Penelitian ini dilakukan selama 3 (tiga) bulan yaitu dimulai dari bulan Januari sampai dengan bulan Maret 2012. 3.3.

Jenis dan Sumber Data Data dan informasi yang digunakan pada penelitian ini adalah data primer dan

data sekunder. Data primer diperoleh dengan melakukan proses wawancara dengan senior supervisor dari Honda Mandiri Bogor.

Sedangkan data sekunder yang

digunakan adalah laporan penjualan mobil di Honda Mandiri Bogor selama kurun waktu 3 (tiga) tahun terakhir, mulai dari tahun 2009 sampai dengan 2011. Jenis data yang akan digunakan dalam skripsi ini adalah data kuantitatif yaitu berupa laporan penjualan mobil, serta data kualitatif yaitu data yang berupa penjelasan serta keterangan dari Honda Mandiri Bogor. 3.4.

Pengolahan dan Analisis Data Data yang dikumpulkan kemudian diolah dan analisis, sehingga mampu

memberikan gambaran dan penjelasan terhadap permasalahan dalam penelitian ini. Pengolahan dan penganalisaan data diharapkan dapat menguraikan langkah – langkah strategis yang dapat dilakukan perusahaan untuk memasarkan dan menjual produk. Metode pengolahan dan analisis data yang digunakan dalam penelitian akan diuraikan secara kualitatif dan kuantitatif.

Analisis kualitatif digunakan untuk

mengetahui keunggulan kompetitif yang dimiliki. Pengolahan kualitatif juga akan menggambarkan keadaan umum perusahaan. Analisis kuantitatif digunakan untuk meramalkan penjualan mobil di Honda Mandiri Bogor selama 6 (enam) bulan kedepan yaitu semester pertama tahun 2012 dengan menggunakan analisis runtun waktu (time series).

Data penjualan kemudian ditabulasikan dengan bantuan

program computer Microsoft Excel dan Eviews 6.

23

3.4.1 Vector Autoregression (VAR) Model ekonometri yang sering digunakan dalam analisis makro ekonomi dinamik dan stokastik adalah Vector Autoregression (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 yag 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:

Dimana : Vektor variabel tak bebas Vektor intersep berukuran Matriks parameter berukuran

Vektor residual Asumsi yang harus dipenuhi dalam analisis VAR adalah semua variabel tidak bersifat stasioner, semua sisaan bersifat white noise, yaitu memiliki rataan nol, ragam konstan dan diantara variabel tidak bebas tidak ada kolerasi. 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 tesebut sudah stasioner pada derajat (ordo) yang sama. Jika pengujian membuktikan terdapat vektor kointegrasi, maka dapat diterapkan EMC untuk single equation atau VECM untuk system equation.

24

3.4.2 Uji Stasioneritas Data Salah satu konsep penting yang harus diingat dalam analisa 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). Spurious regression Memiliki pengertian bahwa hasil regresi dari satu variabel time series pada satu atau beberapa variabel time series lainya cenderung untuk menghasilkan kesimpulan hasil estimasi yang bisa ditunjukan dengan karakteristik seperti memperoleh hasil

yang sangat tinggi (lebih besar dari 0,9) tetapi pada

kenyataannya hubungan antar variabel tersebut tidak memiliki arti atau meaningless. Gujarati juga mengatakan bahwa jika

(Dubin Watson statistik), maka

kondisi ini merupakan rule of thumb yang baik untuk menduga bahwa hasil estimasi tersebut kemungkinan besar merupakan nonsense/suporiousregression. Jika sebuah data time series merupakan data yang stasioner maka studi akan prilaku untuk data tersebut hanya dapat dilakukan untuk periode waktu tertentu (Gujarati, 2003). Atau dengan kata lain bahwa setiap bagian dari data time series tersebut merupakan bagian yang terpisah satu sama lain. Sebagai konsekuensi dari kondisi tersebut adalah tidak mungkin untuk melakukan estimasi secara generalisasi pada periode waktu yang berbeda – beda. Gujarati menyebutkan kondisi stochastic process dikatakan stasioner jika rata – rata dan variansnya konstan dalam beberapa periode waktu, dan dinilai dari kovarians antar 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 menunjukan 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 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 root yang menunjukan kondisi tidak stasioner.

adalah mengandung unit

25

Bentuk persamaan uji stasioneritas tersebut dapat dituliskan sebagai berikut: ………….…………. (2) Dimana : = Bentuk dari first different = Intersept Y

= Variabel yang diuji stasioneritasnya

P

= Panjang lag yang digunakan dalam model = Error term

3.4.3 Uji Kausalitas Granger (Granger Causality) Uji kausalitas granger digunakan untuk mengevaluasi kemampuan peramalan dari satu peubah deret waktu pada periode sebelumnya terhadap peubah deret waktu lainnya pada periode saat ini. Hipotesis nol yang 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. 3.4.4 Uji Lag Optimum Uji lag digunakan untuk menentukan panjang lag optimum yang akan digunakan untuk analisis selanjutnya. Uji lag optimum merupakan langkah penting yang harus dilakukan dalam menggunakan model VECM. Untuk langkah awal dalam pengujian ini terlebih dahulu adalah membentuk persamaan VAR untuk mendapatkan lag optimum dan stabilitas VAR baru dapat dibentuk persamaan VECM nya. Informasi kriteria untuk menentukan panjang lag yang tepat adalah dengan menggunakan pemilihan kriteria model Final Prediction Error (FPE), Akaike Information Criteria (AIC), Schwarz Criteria (SC), dan Hannan-Quinn (HQ). Pada pengujian pemilihan lag melalui kriteria tersebut, akan didapat kandidat lag pada masing-masing kriteria yang merujuk pada lag optimal. Pada Eviews 6 memberikan tanda bintang pada nilai AIC dan SC terkecil.

26

Salah satu metode yang paling umum digunakan untuk menentukan panjang lag adalah dengan melihat AIC nya. Rumus AIC adalah (Gujarati, 2004):

AIC = T Log |

| + 2n..................(3)

Dimana: T

| n

= jumlah observasi yang digunakan

| = determinan dari matriks raga/koragam dari sisaan = jumlah parameter yang diestimasi dalam semua persamaan

3.4.5 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:

3.

a.

Semua elemen konstanta sama dengan nol (

=0)

b.

Nilai

ditetapkan

c.

Nilai

merupakan konstanta pada vektor kointegrasi

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.

27

Untuk menguji batasan kointegrasi, johansen mendefinisikan dua buah matriks α dan β dimensi (nxr) dimana r merupakan peringkat dari

, sehingga:

= α β....................(4) Dimana: α = matriks bobot dari setiap vektor kointegrasi yang ada didalam n persamaan VAR. α juga dapat dikatakan sebagai matriks parameter speed of adjusment (Enders, 2004) β = matriks parameter kointegrasi Hipotesis dari metode Johansen adalah sebagai berikut (Enders, 2004): :r=0

:0
:r=0

:0
:r=0

:0
...

...

: r = g-1

:r=g

Pengujian pertama menyebutkan hipotesis nol dengan tidak adanya vektor kointegrasi. Jika hipotesis ini gagal ditolak, dapat disimpulkan bahwa tidak ada vektor kointegrasi dan pengujian telah diselesaikan. Namun jika hipotesis tersebut ditolak, maka pengujian akan dilakukan terus menerus dan begitu seterusnya sampai nilai dari r akan meningkat sampai hipotesis tersebut gagal ditolak. 3.4.6 Estimasi VECM Vector Error Correction Model (VECM) adalah suatu metode khusus dari VAR yang berguna untuk melihat hubungan keseimbangan dalam jangka panjang dari persamaan-persamaan yang terkointegrasi. Caranya adalah dengan merestriksi beberapa variabel dari suatu persamaan. Jika variabel yang digunakan sudah terkointegrasi, maka terdapat keseimbangan dalam jangka panjang dari variabelvariabel

tersebut,

ketidakseimbangan.

tentu

saja

dalam

hubungan

jangka

pendek

terjadi

Dengan kata lain, metode ini adalah cara untuk melihat

pengaruh suatu variabel lainnya dalam jangka panjang. VECM didesain untuk digunakan pada data yang non-stasioner dan terintegrasi (Enders, 2004). Model VECM lag p rank kointegrasi r adalah:

28

∆

+π

=

+

dengan ∆

=

=[ -

* ∆

+

.................(5)

]’, ................(6) ......................(7)

π = αβ’ β = vektor kointegrasi berukuran r x 1 α = vektor adjustment berukuran r x 1

*=-

,

adalah matriks koefisien berukuran 2 x 2

3.4.7 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. 3.4.8 Impulse Respons Function Impuls respon dapat diartikan suatu respon dari suatu peubah endogen ketika peubah endogen yang lain di shock atau di impuls.

Impuls respon function

menelusuri pengaruh suatu standar deviasi shock atau kejutan terhadap inovasi pada nilai variabel endogen di masa kini dan di masa mendatang. Suatu kejutan yang terjadi pada satu variabel akan langsung mempengaruhi variabel tersebut dan juga di

29

teruskan pada variabel endogen lainnya melalui struktur yang dinamis (Enders, 2004). 3.4.9 Forecast Error Decomposition Variance (FEDV) Forecast Error Variance of Decomposition (FEVD) atau analisis dekomposisi ragam kesalahan peramalan digunakan untuk melihat kontribusi keragaman suatu peubah endogen terhadap goncangan peubah endogen lain untuk beberapa waktu kedepan (Enders, 2004). Jika koefisien variabilitas

diketahui dan

ingin diramalkan, sedangkan kondisi yang di observasi adalah

maka variabilitas suatu periode adalah ekspektasi dari

dan

adalah

=

= +

.

+

+

,

, dan kondisi

30

IV.

HASIL DAN PEMBAHASAN

4.1. Gambaran Umum Perusahaan 4.1.1 Sejarah Perusahaan Honda Motor Company, Ltd atau Honda Technology Research Institute Company, Limited adalah produsen mobil, truk, sepeda motor dan skuter asal Jepang. Perusahaan ini juga membuat kendaraan segala medan, generator listrik, mesin kelautan dan peralatan taman. Honda didirikan pada tanggal 24 September 1948 oleh Soichiro Honda. Honda merupakan produsen sepeda motor terbesar di dunia sejak 1959, dan juga produsen mesin pembakaran terbesar dengan produksi lebih dari 14 juta unit tiap tahun. Perusahaan Mobil Honda berhasil menggusur Nissan sebagai produsen mobil kedua terbesar di Jepang tahun 2001. Honda juga menggusur Chrysler, untuk menjadi pabrikan mobil terbesar keempat di pasar AS. Sekarang ini, Honda juga pabrikan mobil terbesar keenam di dunia. Pada 2004, perusahaan ini mulai memproduksi motor diesel, yang sangat tenang dan tidak membutuhkan penyaring untuk dapat melewati standar polusi. Honda merupakan pabrikan Jepang pertama yang meluncurkan merek mobil mewahnya, menggunakan merk Acura untuk mobil mewahnya di Amerika Utara. Mobil Honda terkenal dengan daya tahan dan jarang rusak. Penjualan Honda di Indonesia paling terkenal dengan sepeda motornya. Honda Motor Company, Ltd masuk Indonesia pada tanggal 11 Juni 1971, dimana saham terbesar dimiliki oleh PT. Astra Internasional. (www.mobil-indonesia.com/sejarah-honda.html) Salah satu pusat penjualan resmi mobil Honda adalah PT. Honda Mandiri Prawira Raya Motor atau yang lebih dikenal dengan nama PT. Honda Mandiri Bogor didirika pada tanggal 10 Juni 1987. Berlokasi di Jalan Pajajaran no. 27 Bogor, diatas tanah seluas 3.300 m2. Sebagai satu – satunya tempat penjualan resmi Honda yang berada di Kota Bogor, PT. Honda Mandiri Bogor melayani penjualan mobil, perawatan kendaraan dan penyediaan suku cadang orisinil Honda. Pada Juni 2008, PT. Honda Mandiri Bogor melakukan perluasan dengan membuka layanan khusus

31

perawatan dan penjualan suku cadang orisinil di Jalan Bina Marga I no.15 Bogor, yang berdiri diatas tanah seluas 3.600m2. 4.1.2 Visi, Misi dan Moto Perusahaan Honda Motor Company, Ltd beroperasi dengan prinsip dasar “Respect for the Individual” dan “The Three Joys” yang mengekpresikan kesenangan dalam membeli, kesenangan dalam menjual dan juga kesenangan dalam menciptakan. Sedangkan “Respect for the Individual” merefleksikan keinginan untuk menghargai karakter dan kemampuan yang unik pada setiap individu, mempercayai satu sama lain sebagai rekan kerja untuk melakukan yang terbaik dalam segala situasi. Prinsip dasar perusahaan yaitu menjaga pedapat pasar global untuk menyediakan produk dengan kualitas terbaik, dengan harga yang sangat bersahabat bagi pelanggan, dengan moto yang diusung “The Power of Dream”. Visi dari PT. Honda Mandiri Bogor adalah memberi pelayanan yang terbaik. Sedangkan misi yang dimiliki adalah memasarkan produk Honda dan memberikan pelayanan servis. 4.1.3 Produk – Produk Perusahaan Sebagai pusat penjualan resmi Honda satu – satunya di Kota Bogor, PT. Honda Mandiri Bogor memasarkan hampir seluruh produk mobil Honda serta suku cadang. Beberapa produk yang dipasarkan oleh PT. Honda Mandiri Motor antara lain adalah: 1.

Honda City, merupakan mobil sedan dengan 5 (lima) penumpang, tampil dengan desain garis tegas dan interior yang modern memancarkan energi yang dinamis serta performa yang handal. Honda City memiliki teknologi efisiensi bahan bakar yang ramah lingkungan, ruang kabin yang lapang sehingga memberikan rasa nyaman dalam berkendara. Honda City hadir dengan kapasitas mesin 1500 cc dengan dimensi 4.385mm x 1.715mm x 1.470mm, adapun harga yang ditawarkan berkisar dari Rp 261.000.000 – Rp 285.000.000.

2.

Honda Civic, merupakan sedan kelas menengah dengan 5 (lima) penumpang dengan eksterior yang stylish dan sporty serta kabin yang eksklusif. Didukung dengan teknologi VSA (Vehicle Stability Assist) dan Multiplex meter.

Honda Civic merupakan salah satu sedan favorit di

kelasnya, dengan berbagai penghargaan yang bergengsi.

Honda Civic

32

hadir dengan 2 (dua) type mesin yaitu 1800 cc SOHC dan 2000 cc DOHC, dengan dimensi 4.540mm x 1.750mm x 1.435mm. Harga yang ditawarkan oleh Honda adalah Rp 339.000.000 – Rp 352.000.000 untuk tipe 1800 cc SOHC dan Rp 404.000.000 untuk tipe 2000 cc DOHC. 3.

Honda Accord, merupakan sedan kelas premium atau mewah pada jajaran mobil Honda.

Sedan dengan moto “Unlimited Luxury” ini memiliki

kapasitas penumpang 5 (lima) orang dengan interior yang sangat mewah. Honda Accord memiliki beberapa type mesin, 2.4 L VTi MT – 2.4 L VTi AT – 2.4 L VTi-L AT – 3.5 L V6 AT, dengan dimensi 4.935mm x 1.845mm x 1.476mm.

Adapun harga yang ditawarkan adalah Rp

428.500.000 – Rp 481.500.000 untuk type 2.4 L dan Rp 708.000.000 untuk 3.5 L V6. 4.

Honda Jazz, merupakan city car yang diusung oleh Honda dengan desain yang sporty dan efisiensi bahan bakar. City cay ini memiliki kapasitas penumpang hingga 5 (lima) orang dengan interior yang canggih dan selalu menjadi trendsetter di kelasnya. Honda Jazz hadir dengan kapasitas mesin 1500cc SOHC dengan dimensi 3.900mm x 1.695mm x 1.525mm, dan harga yang dibandrol oleh Honda berkisar antara Rp 198.500.000 – Rp 224.000.000.

5.

Honda Freed, merupakan salah satu produk teranyar dari Honda. Mobil yang berada pada kelas MPV (Multy Purpose Vehicle) ini memiliki kapasitas penumpang 7 (tujuh) orang dengan desain eksterior yang unik dilengkapi dengan teknologi yang mutakhir. Mobil ini memiliki dimensi 4.215mm x 1.700mm x 1.735mm, Honda Freed hanya memiliki satu tipe mesin yaitu 1.5 L SOHC, 4 silinder segaris i-VTEC. Adapun harga yang ditawarkan oleh Honda berkisar antara Rp 219.000.000 – Rp 260.000.000.

6.

Honda Oddysay, adalah salah satu tipe MPV (Multy Purpose Vehicle) yang mewah dari Honda. Honda Oddysay memiliki motto “Excitement Inside Sophiscation” atau bisa diartikan “Kegembiraan Dalam Hidup” motto ini digunakan karena Honda Oddysay memiliki kesempurnaan dalam berkendara. Didukung oleh eksterior yang elegan dan interior yang mewah serta kenyamanan dalam berkendara, Honda Oddysay menjadi

33

mobil premium dikelasnya.

Dengan dimensi 4.800mm x 1.800mm x

1.545mm, dengan mesin 2.4 L 4 silinder segaris Honda Odysay dibandrol dengan harga Rp 529.000.000. 7.

Honda CR-V, “Refinement of Style, Safety and Comfort” merupakan motto dari SUV (Sport Utility Vehicle) keluaran Honda ini.

Kesetabilan

berkendara, kenyamanan yang tiada duanya dalam kabin yang lapang dan mewah, performa mesin yang responsive, serta teknologi keselamatan dan fitur – fitur yang inovatif. Honda CR-V hadir dalam dua tipe mesin yaitu i-VTEC 2.0 L SOHC dan i-VTEC 2.4 L DOHC, dengan dimensi 4.566mm x 1.820mm x 1.680mm. Adapun harga yang dibandrol untuk kedua tipe tersebut berkisar antara Rp 348.000.000 – Rp 359.000.000 untuk tipe iVTEC 2.0 L SOHC dan Rp 388.000.000 untuk tipe i-VTEC 2.4 L DOHC. 4.2 4.2.1

Hasil Analisis Analisis Kointegrasi Menurut Chen dan Knez pada tahun 1995 dalam Lucey et al (2004) Sebelum

melakukan analisis dalam model VAR/VECM adalah uji kointegrasi, yaitu dapat menjelaskan bahwa variabel yang diamati dalam penelitian ini akan stabil pada jangka panjang. Esensi dari cointegration adalah bahwa series tidak dapat menyebar ke segala arah jauh dari satu sama lain dan menjelaskan bahwa keberadaan hubungan jangka panjang antara series ini dengan series yang lain dapat ditulis pada suatu format Error Correction. Salah satu syarat agar tercapai keseimbangan jangka panjang ad alah apabila pola data yang digunakan stasioner pada level nol maka menggunakan metode VAR, dan apabila pola data yang digunakan tidak stasioner pada level nol maka menggunakan metode VECM dalam menganalisa stasioneritas, tingkat signifikansi yang digunakan adalah pada tingkat signifikan 5 persen. Data penjualan yang dianalisis adalah data penjualan bulanan City Car, Sedan, MPV dan SUV yang diperoleh dari tahun 2008 sampai 2011. 4.2.2 Uji Stasioneritas Uji stasioneritas data pada seluruh variabel dengan Augmented Dickey-Fuller Test (ADF) menggunakan perangkat lunak Eviews 6. Hasil pegujian stasioner dapat dilihat pada table 2 berikut ini.

34

Tabel 2. Hasil Uji Stationer Variabel

Test Critical Value (5%)

T - Statistic

Probability

City

-2.948404

-5.358127

0.0001

Civic

-2.954021

-3.663838

0.0096

Jazz

-2.948404

-5.784174

0.0000

Freed

-2.948404

-3.904217

0.0050

CR-V

-2.948404

-4.018992

0.0037

Berdasarkan hasil Tabel 2 tersebut menunjukan bahwa semua variabel yang digunakan dalam penelitian ini telah stationer, hal ini karena nilai nilai Test Critical Values lebih kecil dari nilai t-statistic dengan nilai kritis pada taraf 5 persen. Setelah uji stasioner sudah dilakukan dan menunjukan hasil yang stasioner pada level, maka dapat menggunakan model VAR, dan apabila tidak semuanya stasioner maka digunakan model VECM. Dengan data yang ditunjukan oleh tabel diatas, dapat disimpulkan model yang digunakan adalah VAR dan dapat disimpulkan pula bahwa terdapat hubungan diantara variabel – variabel tersebut dalam jangka panjang. 4.2.3 Uji Kausalitas Granger Uji kausalitas multivariate dilakukan untuk melihat hubungan kausalitas antara variabel-variabel yang ada dalam model. Hubungan kausalitas antar variabel dapat diketahui dengan melakukan Pairwise Granger Causality Test. Hipotesis nol (

)

yang diuji adalah tidak ada hubungan kausalitas dan hipotesis alternatifnya (

)

adalah adanya hubungan kausalitas. Nilai probability sebesar 5 persen digunakan untuk menentukan apakah

diterima atau ditolak. Apabila nilai probabilitasnya

kurang atau sama dengan 5 persen maka terima probabilitasnya lebih dari 5 persen maka terima

tolak tolak

, dan apabila nilai . Hasil uji kausalitas

untuk produk City, Civic, Jazz, Freed dan CR-V dapat dilihat pada table 3 berikut ini.

35

Tabel 3. Hasil Uji Kausalitas untuk produk City, Civic, Jazz, Freed dan CR-V Null Hypothesis:

Obs

F-Statistic

Prob.

CIVIC does not Granger Cause CITY CITY does not Granger Cause CIVIC

34

2.39333 1.63110

0.1091 0.2132

CRV does not Granger Cause CITY CITY does not Granger Cause CRV

34

1.71391 3.89322

0.1979 0.0318

FREED does not Granger Cause CITY CITY does not Granger Cause FREED

34

0.91566 3.01793

0.4115 0.0645

JAZZ does not Granger Cause CITY CITY does not Granger Cause JAZZ

34

1.48401 0.40805

0.2434 0.6687

CRV does not Granger Cause CIVIC CIVIC does not Granger Cause CRV

34

0.28207 2.37823

0.7563 0.1106

FREED does not Granger Cause CIVIC CIVIC does not Granger Cause FREED

34

0.37016 3.66464

0.6938 0.0381

JAZZ does not Granger Cause CIVIC CIVIC does not Granger Cause JAZZ

34

3.59395 2.40293

0.0403 0.1082

FREED does not Granger Cause CRV CRV does not Granger Cause FREED

34

0.03269 0.10165

0.9679 0.9037

JAZZ does not Granger Cause CRV CRV does not Granger Cause JAZZ

34

1.94242 1.13838

0.1616 0.3342

JAZZ does not Granger Cause FREED FREED does not Granger Cause JAZZ

34

1.79114 3.22991

0.1847 0.0541

Berdasarkan Tabel diketahui bahwa uji kausalitas Granger menunjukan hasil variabel – variabel penjualan produk menunjukan hubungan satu arah antara city dengan CRV, Civic dengan Freed dan Jazz dengan Civic. Hubungan tersebut dapat diartikan bahwa permintaan City berpengaruh pada permintaan CRV dan permintaan akan Civic berpengaruh juga pada permintaan Freed.

Sama halnya dengan

permintaan Jazz yang juga mempengaruhi permintaan dari Civic. 4.2.4 Uji Lag Optimum Pendekatan VAR VECM sangat sensitif terhadap jumlah lag yang digunakan, maka perlu ditentukan panjang lag yang optimal. Penentuan panjang lag digunakan untuk mengetahui lamanya periode keterpengaruhan suatu variabel terhadap variabel masa lalunya

maupun terhadap variabel endogen lainnya. Penentuan lag dapat

36

digunakan dengan beberapa pendekatan antara lain Likelihood Ratio (LR), Final Prediction Error (FPE), Akaike Information Criterion (AIC) dan Schwarz Criterion (SC). Hasil penentuan panjang lag secara lengkap dapat dilihat pada tabel 4. Tabel 4. Hasil penentuan panjang lag Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2

-484.4805 -457.1140 -433.9642

NA 45.07421* 31.32036

2199347. 1949435.* 2406688.

28.79297 28.65377* 28.76260

29.01744* 30.00056 31.23171

28.86952* 29.11306 29.60464

Berdasarkan hasil Tabel 4 dapat dilihat bahwa uji kestabilan yang telah dilakukan ditunjukan bahwa model VAR dalam penelitian ini telah stabil pada lag ke-2. Setelah dipastikan bahwa hasil estimasi VAR berada dalam kondisi stabil, maka dapat dilakukan penetapan lag optimal.

Lag optimal dihitung dengan

menggunakan AIC dengan mengambil nilai AIC yang paling kecil.

Dari tabel

memperlihatkan bahwa dari 2 lag yang ada, lag yang bertanda asterisk (*) terdapat pada lag pertama, hal ini menandakan bahwa lag optimal yang dipilih berdasarkan AIC terdapat pada lag pertama. 4.2.5 Pemodelan VAR Pengaruh variabel dapat dilihat dengan menggunakan analisis VAR, interpretasi hasil dapat dilihat dengan membaca koefisien integrasi dan pembacaan tanda terbalik dari tanda koefisiennya. Koefisien integrasi dinyatakan signifikan jika nilai mutlak statisti lebih besar dari nilai tabel yaitu 1,96. Berikut ini merupakan hasil estimasi VAR.

37

Tabel 5. Hasil Estimasi VAR CRV

FREED

CITY

CIVIC

JAZZ

CRV(-1)

0.632257 (0.22313) [ 2.83363]

0.183375 (0.33862) [ 0.54154]

0.337285 (0.09268) [ 3.63908]

0.011180 (0.06367) [ 0.17559]

-0.100217 (0.36917) [-0.27147]

CRV(-2)

-0.030468 (0.23524) [-0.12952]

0.101148 (0.35700) [ 0.28333]

-0.227674 (0.09772) [-2.32994]

-0.002560 (0.06713) [-0.03813]

0.154307 (0.38921) [ 0.39646]

FREED(-1)

0.052149 (0.12851) [ 0.40580]

0.277635 (0.19503) [ 1.42356]

0.031350 (0.05338) [ 0.58728]

0.055230 (0.03667) [ 1.50611]

0.372740 (0.21262) [ 1.75304]

FREED(-2)

-0.119741 (0.12866) [-0.93065]

0.160558 (0.19526) [ 0.82228]

0.052442 (0.05345) [ 0.98123]

-0.026810 (0.03671) [-0.73024]

0.084146 (0.21288) [ 0.39528]

CITY(-1)

-0.963300 (0.40395) [-2.38471]

-0.782434 (0.61303) [-1.27633]

0.154906 (0.16780) [ 0.92318]

0.140582 (0.11527) [ 1.21962]

0.552611 (0.66834) [ 0.82684]

CITY(-2)

0.301015 (0.49765) [ 0.60488]

-1.065680 (0.75523) [-1.41107]

0.644992 (0.20672) [ 3.12018]

0.132936 (0.14200) [ 0.93615]

-0.453070 (0.82337) [-0.55027]

CIVIC(-1)

-1.015235 (0.84590) [-1.20018]

-0.385404 (1.28374) [-0.30022]

-0.903103 (0.35138) [-2.57018]

-0.041625 (0.24138) [-0.17245]

-1.024661 (1.39956) [-0.73213]

CIVIC(-2)

0.122678 (0.80351) [ 0.15268]

1.855289 (1.21942) [ 1.52146]

0.690052 (0.33377) [ 2.06745]

0.035802 (0.22928) [ 0.15615]

2.378125 (1.32943) [ 1.78883]

JAZZ(-1)

-0.038180 (0.12461) [-0.30639]

-0.185678 (0.18912) [-0.98182]

-0.016403 (0.05176) [-0.31689]

-0.085542 (0.03556) [-2.40565]

-0.115044 (0.20618) [-0.55798]

JAZZ(-2)

0.138217 (0.13294) [ 1.03967]

-0.027127 (0.20176) [-0.13446]

-0.018479 (0.05522) [-0.33463]

0.048146 (0.03794) [ 1.26916]

0.065380 (0.21996) [ 0.29724]

C

9.349842 (5.40297) [ 1.73050]

14.32077 (8.19957) [ 1.74653]

-0.874476 (2.24433) [-0.38964]

1.645705 (1.54174) [ 1.06744]

15.06053 (8.93934) [ 1.68475]

Berdasarkan hasil estimasi VAR, dapat dilihat bahwa terdapat pengaruh yang ditunjukan oleh penjualan CR-V, penjualan tersebut dipengaruhi secara nyata oleh penjualan CR-V pada lag pertama dan penjualan city pada lag pertama dan juga lag kedua.

Penjualan city dipengaruhi oleh penjualan CR-V pada lag pertama dan

dipengaruhi secara nyata oleh City itu sendiri pada Lag kedua. Pada penjualan Civic

38

dipengaruhi secara nyata oleh penjualan City pada lag pertama dan kedua. Sedangkan untuk penjualan Jazz dipengaruhi secara nyata oleh penjualan City pada Lag pertama. Berdasarkan table diatas, dapat dilihat bahwa terjadi hubungan yang signifikan antara City dengan CR-V, Civic, dan juga Jazz. Sedangkan untuk produk Freed hubungan yang terjadi tidak terlalu signifikan. 4.2.6 Uji Stabilitas Model Model dikatakan stabil apabila nilai modulus nya kurang dari satu. Berdasarkan tabel, bahwa nilai akar karakteristik atau modulus semuanya menunjukan nilai kurang dari satu, sehingga dapat disimpulkan bahwa model VAR telah stabil Tabel 6. Modulus Modulus 0.411186 0.411186 0.260870 0.260870 0.151272

4.2.7 Analisis Impuls Response Function (IRF) Analisis Impuls Respon pada penelitian ini akan dilakukan dengan cara menganalisis masing-masing produk yaitu Civic, Jazz, Feed dan CR-V.

Hasil

analisis dari produk-produk tersebut akan menggambarkan suatu dampak perubahan dari suatu produk dan dapat mengetahui sebab akibat perubahan tersebut. Pada Gambar 2 dibawah ini akan menganalisis antara kelima produk terhadap produk CRV.

39

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to CRV

Response of FREED to CRV

8

6

(1)

6

(2)

4

4

2

2

0

0

-2

-2

-4

-4

-6 5

10

15

20

25

30

35

40

45

5

50

Response of CITY to CRV

10

15

20

25

30

35

40

45

50

Response of CIVIC to CRV

3

1.2

(3)

(4) 0.8

2

0.4 1 0.0 0

-0.4

-0.8

-1 5

10

15

20

25

30

35

40

45

50

5

10

15

20

25

Response of JAZZ to CRV 8

(5) 4

0

-4

5

10

15

20

25

30

35

40

45

50

Gambar 2. Grafik impuls respon terhadap CR-V

30

35

40

45

50

40

1.

CR-V Terhadap CR-V Berdasarkan Gambar 2 Respon CR-V terhadap CR-V dapat diketahui bahwa respon yang diberikan oleh produk CR-V terhadap standar deviasi variabel itu sendiri bernilai positif. Pergerakan respon pada grafik tersebut cenderung tidak stabil, pada periode 1 nilai respon yang diberikan sebesar 60 persen, akan tetapi pada periode ke 2 terjadi penurunan yang signifikan dari respon tersebut, pada periode ke 2 respon yang dihasilkan adalah 5 persen. Setelah terjadi penurunan pada periode ke 2, respon kemudian kembali menurun pada periode ke 3, dari periode ke 3 sampai dengan periode ke 8 nilai respon tidak stabil dan kembali stabil pada periode ke 10 dengan nilai respon nol persen. Selanjutnya untuk periode 11 sampai 50 pergerakan respon cenderung stabil di nol persen.

2.

Freed Terhadap CR-V Dapat dilihat pada Gambar 2 bahwa terdapat nilai standar deviasi dari respon Freed terhadap variabel CR-V yang bernilai positif, ketika variabel diimpuls nilai respon meningkat pada periode pertama sampai dengan periode ke 4. Pada periode pertama nilai respon yaitu 5 persen dan naik pada periode ke 3 menjadi 10 persen, akan tetapi dari periode ke 4 sampai dengan periode ke 12 terjadi penurunan dengan titik terendah dengan nilai 18 persen. Pada periode ke 13 sampai dengan periode ke 50 cenderung stabil yaitu nol persen.

3.

City Terhadap CR-V Respon ketiga yang dianalisa adalah respon City terhadap CR-V, dari grafik tersebut dapat diketahui bahwa respon yang diberikan oleh produk City terhadap standar deviasi variabel itu sendiri bernilai positif. Pada periode ke 1 nilai respon yang diberikan sebesar 5 persen dan meningkat pada periode ke 2 menjadi 13 persen. Periode selanjutnya mengalami penurunan hingga akhirnya stabil pada periode ke 11 sampai dengan 50 pada nilai nol persen.

4.

Civic Terhadap CR-V Respon keempat yang dianalisa adalah respon Civic terhadap CR-V. Pada grafik tersebut, nilai standar deviasi dari respon Civic terhadap CR-V bernilai positif, ketika variabel diimpuls nilai respon menurun pada periode ke 2 dan kembali naik pada periode ke 3. Impuls yang dilakukan membuat ketidak

41

stabilan nilai pada periode ke 4 sampai dengan 12 dan akhirnya kembali stabil pada periode ke 13 sampai dengan periode ke 50 dengan nilai nol persen. 5.

Jazz Terhadap CR-V Pada grafik kelima diatas dapat terlihat respon yang diberikan oleh Jazz terhadap CR-V, respon yang diberikan Jazz pada perubahan standar deviasi CR-V bernilai negatif. Pada periode pertama nilai respon yang diberikan yaitu 5 persen, selanjutnya pada periode kedua terjadi penurunan yaitu -10 persen. Pada periode selanjutnya nilai respon naik lagi menjadi 30 persen. Periode keempat nilai respon -5 persen sedangkan pada periode kelima responya bernilai 10 persen. Nilai respon stabil pada periode ke 10 sampai dengan periode ke 50 dengan nilai respon 0 persen. Gambar 3 menunjukan ketika Freed diimpuls atau diguncangkan. Setelah melakukan perbandingan analisis kelima produk terhadap CR-V,

kemudian melakukan kembali perbandingan dengan kelima produk akan tetapi pada Gambar 3 dibawah ini kelima produk akan dibandingkan dengan produk Freed. Untuk lebih jelas dapat dilihat pada Gambar 3.

42

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to FREED

Response of FREED to FREED

3

10.0

(1)

2

(2)

7.5

1

5.0

0 2.5 -1 0.0

-2

-2.5

-3 -4

-5.0 5

10

15

20

25

30

35

40

45

5

50

Response of CITY to FREED

10

15

20

25

30

35

40

45

50

Response of CIVIC to FREED

1.5

1.0

(3)

1.0

(4) 0.5

0.5 0.0

0.0

-0.5 -0.5 -1.0 -1.0

-1.5 5

10

15

20

25

30

35

40

45

50

5

10

15

20

25

30

35

40

45

50

Response of JAZZ to FREED 6

(5)

4

2 0

-2 -4 5

10

15

20

25

30

35

40

45

50

Gambar 3. Grafik impuls respon terhadap Freed 1.

CR-V Terhadap Freed Respon pertama yang dianalisis adalah respon CR-V terhadap Freed, pada grafik tersebut nilai standar deviasi dari respon CR-V terhadap Freed bernilai negatif.

Ketika variabel diimpuls nilai respon pada periode pertama

menunjukan nilai 1 persen dan meningkat di periode kedua dengan nilai 5

43

persen. Pada periode berikutnya hingga periode kesepuluh nilai respon berada ditingkat negatif dan kembali stabil pada nilai respon nol persen pada periode kesebelas. Dengan nilai respon nol persen hal ini menunjukan bahwa variabel CR-V tidak berpengaruh terhadap penjualan Freed. 2.

Freed Terhadap Freed Respon Freed terhadap Freed itu sendiri memiliki nilai standar deviasi dan bernilai positif. Ketika variabel diimpuls nilai respon pada periode pertama menunjukan nilai 75 persen, pada periode kedua turun menjadi 55 persen dan terus menurun sampai dengan periode kelima. Lalu pada periode keenam impuls menunjukan respon negatif dengan nilai -5 persen. Impuls dengan nilai negatif terjadi dari periode keenam sampai dengan periode keempat belas dan kembali stabil pada nilai nol persen pada periode kelimabelas.

3.

City Terhadap Freed Respon ketiga yang dianalisa adalah respon City terhadap Freed. Pada awal grafik tersebut terlihat saat diimpuls respon yang ditimbulkan oleh City terhadap Freed adalah negatif.

Pada impuls pertama nilai respon yang

ditunjukan pada periode pertama adalah -6 persen, pada periode berikutnya sampai dengan periode kesepuluh impuls menunjukan nilai positif dengan nilai tertinggi 3 persen. Pada periode ketigabelas impuls menunjukan respon yang stabil pada nilai nol persen sampai dengan periode kelimapuluh. 4.

Civic Terhadap Freed Respon keempat yang dianalisa adalah respon Civic terhadap Freed, dimana nilai standar deviasi dari respon Civic terhadap Freed yang ditunjukan pada grafik tidak stabil. Pada periode pertama nilai respon yang ditunjukan sebesar 4 persen dan menurun pada periode kedua menjadi 3 persen. Pada periode ketiga terjadi penurunan yang drastis mencapai nilai -3 persen. Respon impuls mulai stabil pada periode 13 hingga 50 dengan nilai respon nol persen.

5.

Jazz Terhadap Freed Pada grafik terakhir yang dianalisa adalah respon Jazz terhadap Freed, dimana nilai standar deviasi dari respon Jazz terhadap Freed menunjukan nilai yang positif. Pada periode pertama respon menunjukan nilai 10 persen lalu naik pada periode kedua menjadi 20 persen dan meningkat menjadi 25 persen pada

44

periode keempat. Akan tetapi pada periode kelima terjadi penurunan menjadi 1 persen dan terus tidak stabil sampai dengan periode kesepuluh. Pada periode ke 11 sampai dengan 50 respon impuls mulai menunjukan nilai stabil dengan nilai nol persen. Pada Gambar 4 dibawah ini akan menjelaskan perbandingan kelima produk terhadap produk City. Grafik tersebut akan memperlihatkan produk apa saja yang akan saling mempengaruhi. Untuk lebih jelas dapat dilihat pada Gambar 4.

45

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to CITY

Response of FREED to CITY

2

4

(1)

1

(2)

2

0

0

-1

-2

-2

-4

-3

-6

-4

-8 5

10

15

20

25

30

35

40

45

5

50

Response of CITY to CITY

10

15

20

25

30

35

40

45

50

Response of CIVIC to CITY

3

1.2

(3)

(4) 0.8

2

0.4 1 0.0 0

-0.4

-0.8

-1 5

10

15

20

25

30

35

40

45

50

5

10

15

20

25

30

35

40

45

Response of JAZZ to CITY 6

(5)

4 2 0 -2 -4 -6 5

10

15

20

25

30

35

40

45

50

Gambar 4. Grafik impuls respon terhadap City 1.

CR-V Terhadap City Pada Gambar grafik 4, nilai standar deviasi dari respon CR-V terhadap City bernilai negatif, ketika variabel diimpuls nilai respon menurun pada periode pertama sampai dengan periode ke 13. Pada periode pertama nilai respon

50

46

menunjukan nilai -1 persen dan terus menurun hingga periode ke 13 dengan nilai terendah -20 persen pada periode ke 2. Pada periode ke 14 sampai dengan periode ke 50 nilai respon cenderung stabil yaitu nol persen, dengan nilai respon negatif hal ini menunjukan bahwa variabel CR-V tidaklah berpengaruh terhadap naik dan turunnya penjualan City. 2.

Freed Terhadap City Respon kedua yang dianalisis adalah respon Freed terhadap City, pada grafik tersebut nilai satandar deviasi dari respon Freed terhadap City bernilai negatif. Ketika variabel diimpuls nilai respo menurun pada periode pertama sampai dengan periode ke 10 dengan nilai terendah -16 persen. Selanjutnya pada periode ke 11 sampaidengan periode ke 50 nilai respon stabil pada angka nol persen. Dengan nilai tersebut berarti penjualan Freed tidak berpengaruh pada penjualan City.

3.

City Terhadap City Respon ketiga yang dianalisis adalah respon City terhadap variabel itu sendiri. Pada grafik tersebut nilai standar deviasi dari respon City terhadap variabel itu sendiri bernilai positif, ketika variabel diimpuls nilai respon meningkat pada periode pertama sampai dengan periode ke 9. Pada periode pertama nilai respon sebesar 22 persen dan nilai respon terendah pada periode ke 7 yaitu 1 persen. Pada periode selanjutnya hingga periode ke 50 nilai respon cenderung stabil yaitu nol persen, dengan nilai respon yang positif hal ini menunjukan bahwa variabel City sangat berpengaruh terhadap naik dan turunnya penjualan City itu sendiri.

4.

Civic Terhadap City Respon keempat yang dianalisis adalah respon Civic terhadap City, pada grafik diatas dapat dilihat bahwa nilai standar deviasi dari respon Civic terhadap City bernilai positif. Ketika variabel diimpuls nilai respon meningkat dari periode pertama sampai dengan periode ke 7 dengan nilai tertinggi sebesar 4 persen pada periode ke 2 dan nilai terendah sebesar 1 persen pada periode ke 6. Pada periode selanjutnya hingga periode ke 50 nilai respon cenderung stabil yaitu nol persen, dengan nilai respon yang positif hal ini menunjukan bahwa variabel Civic sangat berpengaruh terhadap naik dan turunnya penjualan City.

47

5.

Jazz Terhadap City Respon selanjutnya adalah analisis respon Jazz terhadap City dimana grafi menunjukan nilai standar deviasi uang tidak stabil. Ketika variabel iimpuls nilai respon menurun dengan nilai -10 persen pada periode pertama dan menunjukan peningkatan pada periode kedua dengan nilai 17 persen. Pada periode selanjutnya sampai dengan periode ke 10 respon menunjukan nilai negatif dengan nilai terendah -17 persen dan kembali stabil pada periode ke 11 sampai dengan ke 50 dengan nilai nol persen, hal ini menunjukan bahwa penjualan Jazz tidak terlalu berpengaruh pada variabel penjualan City. Kemudian hal yang akan dianalisis yaitu kelima produk terhadap Civic, untuk

lebih jelas mengenai grafik perbandingan tersebut dapat dilihat pada Gambar 5.

48

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to CIVIC

Response of FREED to CIVIC

4

8

(1)

(2)

2

4

0 0 -2 -4 -4 5

10

15

20

25

30

35

40

45

5

50

Response of CITY to CIVIC

10

15

20

25

30

35

40

45

50

Response of CIVIC to CIVIC

2

2

(3)

(4)

1 1 0 0

-1

-2 -1 -3 5

10

15

20

25

30

35

40

45

50

5

10

15

20

25

30

35

40

45

50

Response of JAZZ to CIVIC 8

(5) 4

0

-4

5

10

15

20

25

30

35

40

45

50

Gambar 5. Grafik impuls respon terhadap Civic 1.

CR-V Terhadap Civic Respon pertama yang dianalisa adalah respon CR-V terhadap Civic, pada grafik tersebut nilai standar deviasi dari respon CR-V terhadap Civic bernilai positif. Pada periode pertama ketika variabel dimpuls nilai respon menurun mencapai nilai -17 persen, pada periode berikutnya hasil nilai respon mulai

49

meningkat yaitu 15 persen pada periode ketiga dan kembali menurun pada periode berikutnya.

Respon tersebut mulai stabil pada periode 11 sampai

dengan periode ke 50 dengan nilai nol persen, dengan demikian dapat diartikan penjualan CR-V sedikit banyak mempengaruhi penjualan Civic. 2.

Freed Terhadap Civic Respon kedua yang dianalisa adalah respon Freed terhadap Civic, pada grafik tersebut nilai standar deviasi dari respon Freed terhadap Civic bernilai positif. Ketika variabel diimpuls nilai respon menurun pada periode pertama dan kedua dengan nilai -1 persen, pada periode selanjutnya sampai dengan periode ke 10 respon meningkat dengan nilai tertinggi yaitu 3 persen.

Pada periode

selanjutnya hingga periode ke 50 nilai respon cenderung stabil yaitu nol persen, dengan nilai respon yang positif ini menunjukan bahwa variabel Freed cukup berpengaruh terhadap naik dan turunnya penjualan Civic. 3.

City Terhadap Civic Respon ketiga yang dianalisa adalah respon City terhadap Civic, nilai yang diperlihatkan oleh grafik tersebut menunjukan nilai standar deviasi dari respon City terhadap Civic yang memiliki nilai tidak stabil. Pada periode pertama dan kedua nilai yang ditunjukan adalah negatif dengan nilai terendah mencapai -11 persen, periode selanjutanya mulai meningkat dari periode ketiga sampai dengan periode ke 10 dengan nilai tertinggi 5 persen. Pada periode selanjutnya sampai dengan periode ke 50 nilai respon cenderung stabil yaitu nol persen, dengan nilai respon tersebut dapat diketahui bahwa variabel penjualan City terhadap Civic cukup berpengaruh.

4.

Civic Terhadap Civic Respon keempat yang dianalisa adalah respon Civic terhadap variabel itu sendiri, pada grafik tersebut nilai standar deviasi dari respon Civic terhadap variabel itu sendiri tidaklah stabil.

Ketika variabel diimpuls nilai respon

menurun pada periode pertama dan kedua dengan nilai terendah -3 persen. Pada periode selanjutnya nilai respon mulai menunjukan nilai positif dan mulai stabil pada periode ke 14 sampai dengan periode ke 50 dengan nilai respon nol persen, dengan respon yang positif ini menunjukan bahwa variabel Civic berpengaruh terhadap penjualan Civic itu sendiri.

50

5.

Respon terakhir yang dianalisa adalah respon Jazz terhadap Civic. Berdasarkan grafik tersebut respon yang diberikan oleh Jazz terhadap standar deviasi bernilai negatif, ketika variabel diimpuls terjadi respon negatif pada periode pertama dan kedua dengan nilai -4 persen. Pada periode selanjutnya standar deviasi bernilai positif, dengan nilai respon tertinggi sebesar 3 persen dan terendah sebesar 1 persen pada periode ke 9. Untuk periode ke 10 sampai dengan periode ke 50 respon yang diberikan stabil dengan nilai respon nol persen. Dari hasil positif ini maka Jazz sangat berpengaruh terhadap penjualan Civic. Gambar 6 menunjukan ketika Jazz diimpuls atau diguncangkan.

51

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to JAZZ

Response of FREED to JAZZ

4

4

(1)

3

(2) 2

2 0

1 0

-2

-1 -4 -2 -3

-6 5

10

15

20

25

30

35

40

45

5

50

Response of CITY to JAZZ

10

15

20

25

30

35

40

45

50

Response of CIVIC to JAZZ

1.5

1.0

(3)

1.0

(4) 0.5

0.5 0.0 0.0 -0.5 -0.5 -1.0

-1.0 -1.5

-1.5 5

10

15

20

25

30

35

40

45

50

5

10

15

20

25

30

35

40

45

50

Response of JAZZ to JAZZ 10.0

(5)

7.5 5.0 2.5 0.0 -2.5 -5.0 5

10

15

20

25

30

35

40

45

50

Gambar 6. Grafik impuls respon terhadap Jazz 1.

CR-V Terhadap Jazz Respon pertama yang dianalisa adalah respon CR-V terhadap Jazz, dari grafik tersebut terlihat bahwa respon yang diberikan oleh CR-V terhadap nilai standar deviasi adalah positif. Nilai respon yang tidak stabil ini memiliki nilai respon negatif pada periode pertama dan kedua yaitu mencapai -2 persen, nilai respon mulai terlihat positif pada periode ketiga sampai dengan periode ke 10 dengan

52

nilai tertinggi yaitu 38 persen. Pada periode selanjutnya nilai respon mulai stabil yaitu pada periode ke 11 sampai dengan ke 50 dengan nilai nol persen. Dengan demikian dapat disimpulkan bahwa ketika penjualan CR-V diimpuls maka akan mempengaruhi penjualan Jazz. 2.

Freed Terhadap Jazz Grafik selanjutnya yaitu grafik kedua merupakan nilai respon yang ditunjukan oleh Freed terhadap Jazz, pada grafik ini dapat dilihat nilai standar deviasi dari respon Freed terhadap variabel Jazz tidaklah stabil. Ketika variabel diimpuls nilai respon menurun, pada periode pertama sampai dengan periode kelima respon menunjukan nilai negatif dengan nilai terendah -18 persen.

Pada

periode selanjutnya respon mulai membaik dengan menunjukan nilai positif sampai dengan periode ke 12 dan stabil pada nilai nol persen dari periode ke 13 sampai dengan ke 50.

Meskipun memiliki respon yang tidak stabil dapat

disimpulkan bahwa ketika penjualan Jazz diimpuls maka akan mempengaruhi penjualan Freed. 3.

City Terhadap Jazz Respon selanjutnya yang dianalisa adalah respon City terhadap Jazz, dimana grafik menunjukan pergerakan yang tidak stabil pada awalnya yaitu negatif pada periode pertama dengan nilai -12 persen, lalu positif pada periode ketiga dengan nilai 3 persen. Ketidak stabilan ini terjadi secara terus menerus sampai dengan periode ke 14 dan mulai stabil pada periode ke 15 sampai dengan ke 50 dengan nilai respon nol persen.

Dengan respon yang ditunjukan ketika

penjualan Jazz diimpuls maka akan mempengaruhi penjualan City. 4.

Civic Terhadap Jazz Respon keempat yang dianalisa adalah respon Civic terhadap Jazz, dimana grafik menunjukan pergerakan yang tidak stabil pada awalnya yaitu negatif pada periode pertama dengan nilai -6 persen, lalu positif pada periode ketiga dengan nilai 4 persen. Ketidak stabilan ini terjadi secara terus menerus sampai dengan periode ke 13 dan mulai stabil pada periode ke 14 sampai dengan ke 50 dengan nilai respon nol persen.

Dengan respon yang ditunjukan ketika

penjualan Jazz diimpuls maka akan mempengaruhi penjualan Civic.

53

5.

Jazz Terhadap Jazz Respon terakhir yang dianalisa adalah respon Jazz terhadap variabel itu sendiri, dimana grafik menunjukan pergerakan yang tidak stabil pada awalnya yaitu negatif. Ketika variabel diimpuls nilai respon menurun pada periode pertama dengan nilai -5 persen, lalu positif pada periode ketiga dengan nilai 3 persen. Ketidaksetabilan ini terjadi secara terus menerus sampai dengan periode ke 15 dan mulai stabil pada periode ke 16 sampai dengan ke 50 dengan nilai respon nol persen. Dengan respon yang ditunjukan ketika penjualan Jazz diimpuls maka akan mempengaruhi penjualan Jazz.

4.2.8 Forecast Error Variance Decomposition (FEVD) Hasil analisis FEVD akan ditunjukan dalam bentuk diagram, diagram tersebut menunjukan hasil variasi masing – masing variabel baik endogen maupun eksogen. Pada Gambar hasil analisis garis vertikal menunjukkan jumlah unit suatu produk sedangkan untuk horizontal menunjukkan periode penjualan. Untuk hasil variance decompotion CR-V akan ditunjukan pada Gambar 7 dibawah ini.

Gambar 7. Variance decomposition CR-V Pada gambar 7, variance decomposition CR-V dapat diketahui bahwa penjualan CR-V dari periode 1 sampai dengan periode 50 dipengaruhi oleh produk CR-V itu sendiri, sedangkan variabel lain yang mempengaruhi penjualan CR-V adalah produk City. Pada diagram tersebut terlihat bahwa variabel produk City lebih

54

berpengaruh dibandingkan dengan produk lainnya. Dari hasil analisis FEVD dapat disimpulkan bahwa penjualan CR-V dipengaruhi oleh produk CR-V itu sendiri dan juga produk City.

Gambar 8. Variance decomposition Freed Pada gambar 8, variance decomposition Freed dapat diketahui bahwa penjualan Freed dari periode 1 sampai dengan periode 50 dipengaruhi oleh produk Freed itu sendiri, sedangkan variabel lain yang mempengaruhi penjualan Freed adalah produk City. Pada diagram tersebut terlihat bahwa variabel produk City lebih berpengaruh dibandingkan dengan produk lainnya. Dari hasil analisis FEVD dapat disimpulkan bahwa penjualan Freed dipengaruhi oleh produk Freed itu sendiri dan juga produk City.

55

Gambar 9. Variance decomposition City Pada gambar 9, variance decomposition City dapat diketahui bahwa penjualan City dari periode 1 sampai dengan periode 50 dipengaruhi oleh produk City itu sendiri, sedangkan variabel lain yang mempengaruhi penjualan City adalah produk Civic dan CR-V. Pada diagram tersebut terlihat bahwa variabel produk Civic dan CR-V lebih berpengaruh dibandingkan dengan produk lainnya. Dari hasil analisis FEVD dapat disimpulkan bahwa penjualan City dipengaruhi oleh produk City itu sendiri dan juga produk Civic dan CR-V.

Gambar 10. Variance decomposition Civic

56

Pada gambar 10, variance decomposition Civic dapat diketahui bahwa penjualan Civic dari periode 1 sampai dengan periode 50 dipengaruhi oleh produk Civic itu sendiri, sedangkan variabel lain yang mempengaruhi penjualan Civic adalah produk Jazz dan CR-V. Pada diagram tersebut terlihat bahwa variabel produk Jazz dan CR-V lebih berpengaruh dibandingkan dengan produk lainnya.

Dari hasil

analisis FEVD dapat disimpulkan bahwa penjualan Civic dipengaruhi oleh produk Civic itu sendiri dan juga produk Jazz dan CR-V.

Gambar 11. Variance decomposition Jazz Pada gambar 11, variance decomposition Jazz dapat diketahui bahwa penjualan Jazz dari periode 1 sampai dengan periode 50 dipengaruhi oleh produk Jazz itu sendiri, sedangkan variabel lain yang mempengaruhi penjualan Jazz adalah produk Civic. Pada diagram tersebut terlihat bahwa variabel produk Civic lebih berpengaruh dibandingkan dengan produk lainnya. Dari hasil analisis FEVD dapat disimpulkan bahwa penjualan Jazz dipengaruhi oleh produk Jazz itu sendiri dan juga produk Civic. 4.2.9 Hasil Peramalan Berdasarkan hasil peramalan, diperoleh hasil perhitungan atau persamaan regresi yang didapat.

Dari hasil peramalan tersebut dapat dilihat bahwa untuk

periode 6 bulan kedepan forecast SE untuk CR-V akan meningkat pada bulan ke 42 dan cenderung stabil sampai dengan akhir periode. Nilai forecast penjualan CR-V

57

pada bulan ke 39 diramalkan akan menurun atau meningkat terlihat dari nilai persamaan yang dapat menurun sebanyak 7 poin atau juga meningkat sebanyak 7 poin. Peramalan untuk penjualan CR-V sendiri dipengaruhi oleh variable City dan juga CR-V itu sendiri. Untuk lebih jelas dapat dilihat pada Tabel 7. Tabel 7. Hasil peramalan CR-V Bulan 37 38 39 40 41 42

Forecast SE 5 6 7 7 7 7

Nilai Persamaan 15 13 12 14 15 16

Nilai Forecast 10 20 7 19 5 19 7 21 8 22 9 23

Hasil peramalan untuk Freed ini menggunakan persamaan regresi dari Freed sehingga akan didapatkan hasil peramalan untuk 6 bulan kedepan. Untuk peramalan Freed hanya dipengaruhi oleh variable itu sendiri, sedangkan untuk variable yang lain tidak terlalu berpengaruh, hal ini dikarenakan variable yang lain memberikan respon yang negatif. Dari peramalan tersebut dapat dilihat pada bulan ke 40 forecast mengalami kenaikan sebesar 11 poin, dimana dapat menjadi 24 penjualan atau menurun menjadi 2 penjualan.

Pada periode selanjutnya terjadi keanikan dan

cenderung stabil. Peramalan untuk penjualan Freed tidak dipengaruhi oleh variable produk lain. Tabel 8. Hasil peramalan Freed Bulan 37 38 39 40 41 42

Forecast SE 8 8 10 11 11 11

Nilai Persamaan 10 15 16 13 17 15

Nilai Forecast 2 18 7 23 6 26 2 24 6 28 4 26

Pada hasil peramalan City diperoleh hasil perhitungan data penjualan selama 6 bulan terakhir, sehingga diperoleh hasil peramalan untuk 6 bulan kedepan. Jika dibandingkan dengan produk lainnya, peramalan penjualan produk City cenderung kecil atau tidak sebanyak penjualan produk lain. Nilai persamaan paling kecil terjadi

58

pada bulan ke – 40 sehingga penjualan City akan menurun sebesar 0 sampai dengan 6 unit. Tabel 9. Hasil peramalan City Bulan 37 38 39 40 41 42

Forecast SE 2 3 3 3 3 3

Nilai Persamaan 5 4 4 3 4 4

Nilai Forecast 3 7 1 7 1 7 0 6 1 7 1 7

Hasil peramalan untuk Civic menggunakan nilai waktu 6 bulan, sehingga dapat diramalkan penjualan sampai dengan 6 bulan kedepan. Untuk peramalan penjualan Civi dipengaruhi oleh variable City dan Jazz. Dari hasil peramalan tersebut dapat terlihat bahwa pada bulan ke 38 meningkat dari 2 menjadi 3 poin sehingga peramalan penjualan akan meningkat menjadi 4 unit atau turun menjadi nol unit, artinya bila pada bulan tersebut terjadi penurunan maka tidak akan ada produk Civic yang terjual. Tabel 10. Hasil peramalan Civic Bulan 37 38 39 40 41 42

Forecast SE 1 2 2 2 2 2

Nilai Persamaan 2 2 3 2 2 2

Nilai Forecast 1 3 0 4 1 5 0 4 0 4 0 4

Hasil peramalan Jazz diperoleh dari hasil data penjualan selama 6 bulan terakhir, sehingga dapat diperoleh peramalan penjualan untuk 6 bulan kedepan. Jika dibandingkan dengan ke empat produk lainnya untuk nilai persamaan produk Jazz bernilai lebih besar, hal ini dikarenakan Jazz merupakan salah satu produk unggulan Honda dan penjualan Jazz juga cenderung meningkat. Nilai persamaan paling besar diperoleh pada bulan ke 42 sehingga penjualan diramalkan akan meningkat sebesar 37 unit atau menurun sebesar 15 unit.

59

Tabel 11. Hasil peramalan Jazz Bulan 37 38 39 40 41 42

4.3

Forecast SE 8 9 10 11 11 11

Nilai Persamaan 27 21 21 22 25 26

Nilai Forecast 19 35 12 30 11 31 11 33 14 36 15 37

Implikasi Manajerial Setelah dilakukan analisis peramalan penjualan dengan metode kointegrasi

pada penelitian ini menghasilkan implikasi manajerial yang dapat menjadi saran dan masukan untuk diterapkan pada PT Honda Mandiri. Perusahaan dapat membuat keputusan manajerial seperti halnya melakukan promosi penjualan.

Peramalan

merupakan masukan untuk langkah selanjutnya dalam menentukan perencanaan serta target penjualan dengan melihat dan mengacu pada data dan informasi yang teraktual dan relevan, maka dapat diketahui produk apa yang memberikan pengaruh positif terhadap penjualan produk lainnya.

Salah satu produk yang mempengaruhi

penjualan produk lainnya yaitu City, maka dari itu pihak PT Honda Mandiri dirasa perlu mengutamakan penjualan produk tersebut, karna dengan meningkatnya penjualan City maka akan meningkat pula penjualan produk lainnya.

60

KESIMPULAN DAN SARAN

1. Kesimpulan Berdasarkan hasil penelitian yang telah dilakukan, diperoleh kesimpulan; a. Berdasarkan hasil analisis uji kointegrasi dapat ditarik kesimpulan bahwa terdapat hubungan antara jenis produk sedan, city car, MPV (Multi Purpose Vehicle), dan SUV (Sport Utility Vahicle) dalam jangka pendek maupun jangka panjang. Produk – produk tersebut saling mempengaruhi penjualan di PT Honda Mandiri Bogor. b. Hasil peramalan untuk produk – produk yang dipasarkan dihitung berdasarkan data penjualan 36 bulan terakhir, sehingga diperoleh hasil peramalan untuk 6 bulan kedepan.

Hasil peramalan menunjukan akan

terjadinya peningkatan penjualan yang dipengaruhi oleh perhitungan atau persamaan regresi dan Dari hasil FEVD diperoleh bahwa peningkatan penjualan produk – produk tersebut dipengaruhi oleh produk itu sendiri. c. Hasil dari uji kointegrasi peramalan ini dapat berkontribusi dalam perencanaan strategi penjualan yang akan diterapkan perusahaan.

Hal

tersebut dapat dilihat dari hasil analisis kointegrasi dan peramalan yang didapat, dengan demikian perusahaan dapat merencanakan strategi penjualan yang harus diterapkan. 2. Saran a. Hasil dari penelitian ini penulis menyarankan beberapa hal pada peneliti dan akademisi lain yang akan mempelajari mengenai peramalan penjualan produk yang melihat hubungan dan pengaruh dari masing – masing variabel atau peubah yang digunakan. Berikut beberapa hal yang disarankan b. Penelitian ini hanya dapat mengidentifikasi lima variable bebas yang mempengaruhi lima komoditas tersebut. Maka untuk penelitian selanjutnya dalam melakukan peramalan dapat memasukan peubah atau variable lain. c. Penelitian ini hanya terbatas pada kelima produk yang terpilih, untuk itu diperlukan penelitian lebih lanjut mengenai peramalan terhadap produk lainnya di PT Honda Mandiri Bogor.

61

d. PT Honda Mandiri diharapkan dapat menerapkan analisis peramalan ini dengan pemahaman yang baik mengenai pola data serta model yang dapat digunakan untuk melakukan analisis peramalan tersebut.

62

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 Pertanian, Institut Pertanian Bogor, Bogor. Aritonang,L.2002.Peramalan Bisnis.Ghalia Indonesia,Jakarta. Assauri, S. 2009. Manajemen Pemasaran. Penerbit Grafindo Persada, Jakarta.Enders, W. 2004. Applied Econometric Time Series 2nd Edition., John Wiley & Sons Inc, New York. Engle R.F. dan Granger CWJ. 1987. Cointegration and Error Correction Representation, Estimation and Testing, Econometrica volume 55, hal. 251276. Fikriansyah, I. 2011. Analisis Peramalan Penjualan Menggunakan Metode Kointegrasi Pada Tipe Mobil City Car, Sedan Dan Mpv Di Auto 2000. Gujarati, Damodar. 1995. Ekonometrika Dasar. Penerbit Erlangga, Jakarta Hanke, JE. 2003. Peramalan Bisnis. Ed ke-7. Anathur D, Penerjemah. Jakarta: Prenhallindo. Terjemahan dari : Busines Forecasting. Heizer, J. and Render. B. 2006. Operation Management. PT Salemba Empat. Hilmy, M. 2012. Sistem Pendukung Keputusan.Universitas Pendidikan Indonesia. Khaerunisa, Y. 2009. Analisis VECM (Vector Error Correction Model) dalam Mekanisme Pemodelan dan Peramalan Kebijakan Harga Pangan. Skripsi Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, Bogor. Kotler, Philip. 2005. Manajamen Pemasaran, Jilid 1 dan 2. Jakarta: PT. Indeks Kelompok Gramedia. Lucey, B. M, J. Kim dan E. Wu. 2004. Dynamics of Bond Market Integration between Existing And Accession EU Countries. IIIS Discussion Paper No.25 Pearce and Robinson, 1997, Manajemen Strategik, Jilid 1, Binarupa Aksara, Jakarta. Subagjo, B. 2005. Defisit Anggaran Utang Pemerintahdan Keberlanjutan Fiskal. Aplikasi Model Vector Error Correction. Disertasi pada Program Doktor, Pascasarjana Manajemen dan Bisnis. Institut Pertanian Bogor, Bogor.

63

Swastha, B. 2000. Manajemen Pemasaran Modern, Liberty :Yogyakarta. Wisastri. 2006. Peramalan Permintaan Sayuran pada PD Pacet Segar Cianjur. Skripsi pada Departemen Pertanian, Fakultas Pertanian, Institut Pertanian Bogor, Bogor. Badan Pusat Statistik Indonesia. 2012. Pertumbuhan Ekonomi Indonesia. www.bps.go.id/brs_file/pdb_banner1.pdf [04 Oktober 2012]. GAIKINDO. 2011. Gabungan Industri Kendaraan http://www.gaikindo.or.id/ [12 Maret 2012]

Bermotor

Indonesia.

LAMPIRAN

64

Lampiran 1. Penjualan PT Honda Mandiri Bogor 2009 - 2011 PENJUALAN 2009 TYPE JAN FEB JAZZ 16 FREED 0 CITY 3 CR-V 6 CIVIC 1 TOTAL 26 PENJUALAN 2010 TYPE JAN FEB JAZZ 15 CITY 3 FREED 6 CR-V 4 CIVIC 2 TOTAL 30

14 0 9 10 2 35

TOTA MAR APR MEI JUNI JULI AGT SEP OKT NOV DES 22 15 23 19 13 28 15 28 30 25 L 248 0 0 0 0 23 25 14 40 13 22 137 4 7 2 3 3 4 2 3 7 8 55 10 12 11 11 12 15 9 10 16 12 134 1 2 4 1 1 6 2 2 1 3 26 37 36 40 34 52 78 42 83 67 70 600

27 3 10 15 3 58

TOTA MAR APR MEI JUNI JULI AGT SEP OKT NOV DES 25 24 28 37 29 38 17 39 13 39 L 331 3 4 5 5 5 3 11 7 2 8 59 14 21 18 21 26 20 8 11 7 22 184 22 24 21 23 20 29 17 11 7 19 212 3 3 3 3 2 4 5 2 7 37 67 76 75 89 82 94 53 73 31 95 823

PENJUALAN 2011 TYPE JAN FEB CITY 6 CIVIC 2 1 CR-V 7 15 JAZZ 16 24 FREED 6 9 TOTAL 31 55

MAR 4 1 14 22 10 51

APR 5 3 21 3 9 41

MEI 5 3 22 15 22 67

JUNI 3 3 8 37 22 73

JULI 1 2 9 39 20 71

AGT 5 2 17 30 21 75

SEP 2 1 8 37 26 74

OKT 1 13 23 13 50

NOV 1 2 13 33 12 61

DES 16 13 22 51

TOTA L 32 21 163 292 192 700

65

Lampiran 2. Uji Stasioneritas Null Hypothesis: CITY 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.*

-5.358127 -3.632900 -2.948404 -2.612874

0.0001 Stasioner

*MacKinnon (1996) one-sided p-values. Null Hypothesis: CIVIC has a unit root Exogenous: Constant Lag Length: 2 (Automatic based on SIC, MAXLAG=9)

Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level

t-Statistic

Prob.*

-3.663838 -3.646342 -2.954021 -2.615817

0.0096 Stasioner

*MacKinnon (1996) one-sided p-values. Null Hypothesis: FREED has a unit root Exogenous: Constant Lag Length: 0 (Automatic based on SIC, MAXLAG=9)

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

t-Statistic

Prob.*

-3.904217 -3.632900 -2.948404 -2.612874

0.0050 stasioner

66

Lanjutan Lampiran 2. Null Hypothesis: JAZZ 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.*

-5.784174 -3.632900 -2.948404 -2.612874

0.0000 Stasioner

*MacKinnon (1996) one-sided p-values.

Null Hypothesis: CRV 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.

Semua Variable stasioner pada level

t-Statistic

Prob.*

-4.018992 -3.632900 -2.948404 -2.612874

0.0037 Stasioner

67

Lampiran 3. Uji Kausalitas Granger Pairwise Granger Causality Tests Date: 03/08/12 Time: 13:46 Sample: 2009M01 2011M12 Lags: 2 Null Hypothesis:

Obs F-Statistic

Prob.

CIVIC does not Granger Cause CITY CITY does not Granger Cause CIVIC

34

2.39333 1.63110

0.1091 0.2132

CRV does not Granger Cause CITY CITY does not Granger Cause CRV

34

1.71391 3.89322

0.1979 0.0318

FREED does not Granger Cause CITY CITY does not Granger Cause FREED

34

0.91566 3.01793

0.4115 0.0645

JAZZ does not Granger Cause CITY CITY does not Granger Cause JAZZ

34

1.48401 0.40805

0.2434 0.6687

CRV does not Granger Cause CIVIC CIVIC does not Granger Cause CRV

34

0.28207 2.37823

0.7563 0.1106

FREED does not Granger Cause CIVIC CIVIC does not Granger Cause FREED

34

0.37016 3.66464

0.6938 0.0381

JAZZ does not Granger Cause CIVIC CIVIC does not Granger Cause JAZZ

34

3.59395 2.40293

0.0403 0.1082

FREED does not Granger Cause CRV CRV does not Granger Cause FREED

34

0.03269 0.10165

0.9679 0.9037

JAZZ does not Granger Cause CRV CRV does not Granger Cause JAZZ

34

1.94242 1.13838

0.1616 0.3342

JAZZ does not Granger Cause FREED FREED does not Granger Cause JAZZ

34

1.79114 3.22991

0.1847 0.0541

68

Lampiran 4. Uji Lag Optimum VAR Lag Order Selection Criteria Endogenous variables: JAZZ CITY CIVIC CRV FREED Exogenous variables: C Date: 03/08/12 Time: 13:48 Sample: 2009M01 2011M12 Included observations: 34 Lag

LogL

LR

FPE

AIC

SC

HQ

0 1 2

-484.4805 -457.1140 -433.9642

NA 45.07421* 31.32036

2199347. 1949435.* 2406688.

28.79297 28.65377* 28.76260

29.01744* 30.00056 31.23171

28.86952* 29.11306 29.60464

* 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

berdasarkan nilai AIC optimum di lag1 Lampiran 5. Hasil Estimasi VAR VAR Lag 1 Vector Autoregression Estimates Date: 03/08/12 Time: 13:50 Sample (adjusted): 2009M03 2011M12 Included observations: 34 after adjustments Standard errors in ( ) & t-statistics in [ ] CRV

FREED

CITY

CIVIC

JAZZ

CRV(-1)

0.632257 (0.22313) [ 2.83363]

0.183375 (0.33862) [ 0.54154]

0.337285 (0.09268) [ 3.63908]

0.011180 (0.06367) [ 0.17559]

-0.100217 (0.36917) [-0.27147]

CRV(-2)

-0.030468 (0.23524) [-0.12952]

0.101148 (0.35700) [ 0.28333]

-0.227674 (0.09772) [-2.32994]

-0.002560 (0.06713) [-0.03813]

0.154307 (0.38921) [ 0.39646]

FREED(-1)

0.052149 (0.12851) [ 0.40580]

0.277635 (0.19503) [ 1.42356]

0.031350 (0.05338) [ 0.58728]

0.055230 (0.03667) [ 1.50611]

0.372740 (0.21262) [ 1.75304]

69

Lanjutan Lampiran 5. FREED(-2)

-0.119741 (0.12866) [-0.93065]

0.160558 (0.19526) [ 0.82228]

0.052442 (0.05345) [ 0.98123]

-0.026810 (0.03671) [-0.73024]

0.084146 (0.21288) [ 0.39528]

CITY(-1)

-0.963300 (0.40395) [-2.38471]

-0.782434 (0.61303) [-1.27633]

0.154906 (0.16780) [ 0.92318]

0.140582 (0.11527) [ 1.21962]

0.552611 (0.66834) [ 0.82684]

CITY(-2)

0.301015 (0.49765) [ 0.60488]

-1.065680 (0.75523) [-1.41107]

0.644992 (0.20672) [ 3.12018]

0.132936 (0.14200) [ 0.93615]

-0.453070 (0.82337) [-0.55027]

CIVIC(-1)

-1.015235 (0.84590) [-1.20018]

-0.385404 (1.28374) [-0.30022]

-0.903103 (0.35138) [-2.57018]

-0.041625 (0.24138) [-0.17245]

-1.024661 (1.39956) [-0.73213]

CIVIC(-2)

0.122678 (0.80351) [ 0.15268]

1.855289 (1.21942) [ 1.52146]

0.690052 (0.33377) [ 2.06745]

0.035802 (0.22928) [ 0.15615]

2.378125 (1.32943) [ 1.78883]

JAZZ(-1)

-0.038180 (0.12461) [-0.30639]

-0.185678 (0.18912) [-0.98182]

-0.016403 (0.05176) [-0.31689]

-0.085542 (0.03556) [-2.40565]

-0.115044 (0.20618) [-0.55798]

JAZZ(-2)

0.138217 (0.13294) [ 1.03967]

-0.027127 (0.20176) [-0.13446]

-0.018479 (0.05522) [-0.33463]

0.048146 (0.03794) [ 1.26916]

0.065380 (0.21996) [ 0.29724]

C

9.349842 (5.40297) [ 1.73050]

14.32077 (8.19957) [ 1.74653]

-0.874476 (2.24433) [-0.38964]

1.645705 (1.54174) [ 1.06744]

15.06053 (8.93934) [ 1.68475]

0.452373 0.214275 605.9490 5.132797 1.899941 -97.21131 6.365371 6.859194 14.50000 5.790536

0.497043 0.278366 1395.573 7.789550 2.272954 -111.3938 7.199636 7.693458 15.08824 9.169672

0.497048 0.278373 104.5549 2.132104 2.272998 -67.34089 4.608288 5.102110 3.941176 2.509874

0.367688 0.092770 49.33894 1.464640 1.337445 -54.57391 3.857289 4.351111 2.382353 1.537702

0.422564 0.171506 1658.752 8.492328 1.683129 -114.3307 7.372396 7.866218 24.73529 9.330006

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

592586.6 83945.31 -433.9642 28.76260 31.23171

70

Lampiran 6. Uji Stabilitas Model Roots of Characteristic Polynomial Endogenous variables: JAZZ CITY CIVIC CRV FREED Exogenous variables: C Lag specification: 1 1 Date: 03/08/12 Time: 13:49 Root 0.407991 - 0.051158i 0.407991 + 0.051158i -0.095618 - 0.242714i -0.095618 + 0.242714i 0.151272

Modulus 0.411186 0.411186 0.260870 0.260870 0.151272

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

nilai modulus < 1 artinya stabil

71

Lampiran 7. Impulse Response Ketika CRV diimpuls

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to CRV

Response of FREED to CRV

8

6

6

4

4

2

2

0

0

-2

-2

-4 -6

-4 5

10

15

20

25

30

35

40

45

5

50

Response of CITY to CRV

10

15

20

25

30

35

40

45

50

45

50

Response of CIVIC to CRV

3

1.2

0.8

2

0.4 1 0.0 0

-0.4

-1

-0.8 5

10

15

20

25

30

35

40

45

50

45

50

Response of JAZZ to CRV 8

4

0

-4

5

10

15

20

25

30

35

40

5

10

15

20

25

30

35

40

72

Lanjutan Lampiran 7. Ketika Freed di Impuls

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to FREED

Response of FREED to FREED

3

10.0

2

7.5

1

5.0

0 2.5 -1 0.0

-2

-2.5

-3 -4

-5.0 5

10

15

20

25

30

35

40

45

5

50

Response of CITY to FREED

10

15

20

25

30

35

40

45

50

45

50

Response of CIVIC to FREED

1.5

1.0

1.0 0.5 0.5 0.0

0.0

-0.5 -0.5 -1.0 -1.0

-1.5 5

10

15

20

25

30

35

40

45

50

45

50

Response of JAZZ to FREED 6

4 2

0 -2

-4 5

10

15

20

25

30

35

40

5

10

15

20

25

30

35

40

73

Lanjutan Lampiran 7. Ketika City di Impuls

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to CITY

Response of FREED to CITY

2

4

1

2

0

0

-1

-2

-2

-4

-3

-6

-4

-8 5

10

15

20

25

30

35

40

45

5

50

Response of CITY to CITY

10

15

20

25

30

35

40

45

50

45

50

Response of CIVIC to CITY

3

1.2

0.8

2

0.4 1 0.0 0

-0.4

-0.8

-1 5

10

15

20

25

30

35

40

45

50

45

50

Response of JAZZ to CITY 6 4 2 0 -2 -4 -6 5

10

15

20

25

30

35

40

5

10

15

20

25

30

35

40

74

Lanjutan Lampiran 7. Ketika Civic di Impuls

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to CIVIC

Response of FREED to CIVIC

4

8

2

4

0 0 -2 -4 -4 5

10

15

20

25

30

35

40

45

5

50

Response of CITY to CIVIC

10

15

20

25

30

35

40

45

50

45

50

Response of CIVIC to CIVIC

2

2

1 1 0 0

-1

-2 -1 -3 5

10

15

20

25

30

35

40

45

50

45

50

Response of JAZZ to CIVIC 8

4

0

-4

5

10

15

20

25

30

35

40

5

10

15

20

25

30

35

40

75

Lanjutan Lampiran 7. Ketika Jazz di Impuls

Response to Cholesky One S.D. Innovations ± 2 S.E. Response of CRV to JAZZ

Response of FREED to JAZZ

4

4

3 2 2 1

0

0

-2

-1 -4 -2 -3

-6 5

10

15

20

25

30

35

40

45

50

5

Response of CITY to JAZZ

10

15

20

25

30

35

40

45

50

45

50

Response of CIVIC to JAZZ

1.5

1.0

1.0

0.5

0.5 0.0 0.0 -0.5 -0.5 -1.0

-1.0 -1.5

-1.5 5

10

15

20

25

30

35

40

45

50

45

50

Response of JAZZ to JAZZ 10.0 7.5 5.0 2.5 0.0 -2.5 -5.0 5

10

15

20

25

30

35

40

5

10

15

20

25

30

35

40

76

Lampiran 8. Forecast Error Variance Decomposition of CRV, Freed, City, Civic, Jazz Variance Decomposition of CRV: Period 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

S.E. 5.132797 6.214425 6.77191 6.866741 6.970578 6.986561 7.003468 7.007291 7.010428 7.011238 7.011743 7.011901 7.011979 7.012011 7.012023 7.01203 7.012032 7.012033 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034

CRV 100 83.24304 70.32992 68.85435 66.83976 66.69964 66.37932 66.35506 66.29763 66.29332 66.28435 66.2833 66.2819 66.28163 66.2814 66.28132 66.28128 66.28126 66.28126 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125

FREED 0 0.698228 1.51516 1.63371 1.980259 1.977615 2.072862 2.070807 2.094769 2.09432 2.098949 2.098856 2.09961 2.099593 2.09971 2.099709 2.099728 2.099729 2.099731 2.099732 2.099732 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733

CITY

CIVIC

JAZZ

0 10.34916 13.96016 15.51364 15.88354 15.99279 16.05328 16.06457 16.06979 16.06981 16.06958 16.06919 16.06902 16.06889 16.06885 16.06882 16.06881 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688

0 5.503674 8.703976 8.524412 9.018387 9.072868 9.115013 9.131627 9.138272 9.142766 9.143882 9.145175 9.145421 9.145737 9.145798 9.145868 9.145882 9.145897 9.1459 9.145903 9.145904 9.145904 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905

0 0.205897 5.490781 5.47389 6.278055 6.257086 6.379535 6.377938 6.399537 6.399778 6.403235 6.40348 6.404044 6.404149 6.404247 6.40428 6.404298 6.404307 6.404311 6.404313 6.404313 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314

77

Period 41 42 43 44 45 46 47 48 49 50

S.E. 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034 7.012034

CRV 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125 66.28125

FREED 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733 2.099733

CITY 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688 16.0688

CIVIC 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905 9.145905

JAZZ 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314 6.404314

78

Lanjutan Lampiran 8. Variance Decomposition of FREED: Period 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

S.E. 7.78955 8.474693 10.14399 10.55508 10.76029 10.83375 10.8875 10.89797 10.90199 10.90316 10.90362 10.90384 10.90391 10.90395 10.90396 10.90396 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397 10.90397

CRV 0.146454 0.459953 1.211118 3.322583 3.244629 4.045776 4.132714 4.232728 4.253691 4.263619 4.266686 4.268535 4.268856 4.269149 4.26916 4.269189 4.269189 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191 4.269191

FREED 99.85355 92.07215 73.71163 69.95531 67.84579 66.99319 66.75486 66.64228 66.62001 66.60698 66.60422 66.60199 66.60169 66.60126 66.60124 66.60116 66.60116 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114 66.60114

CITY

CIVIC

JAZZ

0 2.742966 12.34261 12.74615 14.51149 14.71529 14.77384 14.79771 14.79864 14.80048 14.80023 14.7999 14.79977 14.79967 14.79965 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964 14.79964

0 2.106437 10.88886 10.21849 10.31251 10.2119 10.11862 10.11381 10.10792 10.10955 10.10901 10.10976 10.10969 10.10989 10.10989 10.10992 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993 10.10993

0 2.61849 1.845774 3.757478 4.085584 4.03384 4.219968 4.21347 4.219735 4.219373 4.219845 4.219813 4.219995 4.220036 4.220063 4.220088 4.220091 4.220098 4.220098 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201 4.2201

79

Period 47 48 49 50

S.E. 10.90397 10.90397 10.90397 10.90397

CRV 4.269191 4.269191 4.269191 4.269191

FREED 66.60114 66.60114 66.60114 66.60114

CITY 14.79964 14.79964 14.79964 14.79964

CIVIC 10.10993 10.10993 10.10993 10.10993

JAZZ 4.2201 4.2201 4.2201 4.2201

80

Lanjutan Lampiran 8. Variance Decomposition of CITY: Period 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

S.E. 2.132104 2.801853 2.915278 2.962667 2.999142 3.013761 3.021517 3.023824 3.025235 3.025632 3.025866 3.025936 3.025983 3.025997 3.026007 3.02601 3.026012 3.026013 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014 3.026014

CRV 1.888708 22.22664 22.39328 22.05909 22.42388 22.20751 22.28491 22.25252 22.25247 22.24689 22.24553 22.24459 22.24412 22.24396 22.24384 22.24382 22.24379 22.24379 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378 22.24378

FREED 7.780072 5.280752 5.53398 5.724142 5.689397 5.902045 5.885091 5.929103 5.931914 5.939871 5.940335 5.941229 5.941362 5.941442 5.941486 5.941497 5.94151 5.941513 5.941516 5.941517 5.941517 5.941517 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518 5.941518

CITY 90.33122 53.11297 50.48922 49.36415 48.17736 47.81296 47.57154 47.5041 47.46073 47.44829 47.44116 47.439 47.43761 47.43717 47.43688 47.43678 47.43671 47.43669 47.43668 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667 47.43667

CIVIC

JAZZ

0 19.19269 20.41341 20.86664 21.5269 21.53295 21.6001 21.60812 21.62156 21.62354 21.62712 21.62792 21.62869 21.62893 21.62908 21.62914 21.62916 21.62918 21.62918 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919 21.62919

0 0.186957 1.170109 1.98598 2.182454 2.544541 2.658362 2.70616 2.733321 2.741412 2.745844 2.747263 2.748222 2.748489 2.74871 2.748772 2.748819 2.748834 2.748844 2.748847 2.748849 2.74885 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851 2.748851

81

Period 47 48 49 50

S.E. 3.026014 3.026014 3.026014 3.026014

CRV 22.24378 22.24378 22.24378 22.24378

FREED 5.941518 5.941518 5.941518 5.941518

CITY 47.43667 47.43667 47.43667 47.43667

CIVIC 21.62919 21.62919 21.62919 21.62919

JAZZ 2.748851 2.748851 2.748851 2.748851

82

Lanjutan Lampiran 8. Variance Decomposition of CIVIC: Period 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

S.E. 1.46464 1.709725 1.822192 1.842237 1.858505 1.865342 1.86772 1.868836 1.869292 1.869419 1.869521 1.869552 1.869573 1.86958 1.869584 1.869586 1.869587 1.869587 1.869587 1.869587 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588 1.869588

CRV 13.6998 10.13574 13.00121 12.73427 12.97568 12.89481 12.96948 12.95793 12.96268 12.96092 12.96095 12.96058 12.96056 12.9605 12.96048 12.96047 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046 12.96046

FREED 8.658428 9.018943 11.25458 11.05816 11.07118 11.3157 11.28747 11.3207 11.31655 11.31827 11.31771 11.31807 11.31797 11.31803 11.31804 11.31804 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805 11.31805

CITY 0.380495 5.244743 4.657801 4.996859 4.953061 4.97641 4.970296 4.966077 4.963666 4.963009 4.962568 4.962408 4.962351 4.962314 4.962308 4.962301 4.962299 4.962298 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297 4.962297

CIVIC 77.26127 61.94594 55.19148 55.53816 54.93513 54.64227 54.62132 54.57949 54.5766 54.57524 54.57428 54.57386 54.57367 54.57357 54.57351 54.5735 54.57348 54.57348 54.57348 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347 54.57347

JAZZ 0 13.65463 15.89494 15.67255 16.06495 16.17081 16.15143 16.1758 16.1805 16.18255 16.1845 16.18508 16.18544 16.18558 16.18567 16.18569 16.18571 16.18571 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572 16.18572

83

Period 48 49 50

S.E. 1.869588 1.869588 1.869588

CRV 12.96046 12.96046 12.96046

FREED 11.31805 11.31805 11.31805

CITY 4.962297 4.962297 4.962297

CIVIC 54.57347 54.57347 54.57347

JAZZ 16.18572 16.18572 16.18572

84

Lanjutan Lampiran 8. Variance Decomposition of JAZZ: Period 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

S.E. 8.492328 9.073722 10.27548 10.83258 10.96566 10.99393 11.03148 11.03715 11.04097 11.04195 11.04253 11.04277 11.0429 11.04295 11.04297 11.04298 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299 11.04299

CRV 0.358337 1.202444 7.885759 7.150692 7.294837 7.444563 7.407759 7.442199 7.441081 7.445435 7.445126 7.446418 7.44631 7.446599 7.446571 7.446611 7.446606 7.446611 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661 7.44661

FREED 0.459676 5.58129 8.739189 13.79901 13.52808 13.4878 13.63323 13.62053 13.62989 13.62746 13.62853 13.62796 13.62838 13.62825 13.62833 13.62831 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832 13.62832

CITY 1.890012 3.294308 4.664269 4.272544 5.037091 5.233546 5.31595 5.347365 5.354406 5.357498 5.358687 5.358832 5.358952 5.358916 5.358914 5.358904 5.358901 5.358899 5.358899 5.358899 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898 5.358898

CIVIC 21.65685 22.79201 25.92927 23.33125 23.66602 23.58928 23.50235 23.50068 23.49849 23.50038 23.50081 23.50151 23.50147 23.50166 23.50167 23.50171 23.50172 23.50172 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173 23.50173

JAZZ 75.63513 67.12995 52.78151 51.4465 50.47397 50.24482 50.14071 50.08923 50.07613 50.06923 50.06685 50.06528 50.06488 50.06457 50.06451 50.06446 50.06445 50.06445 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444 50.06444

85

Period 48 49 50

S.E. 11.04299 11.04299 11.04299

CRV 7.44661 7.44661 7.44661

FREED 13.62832 13.62832 13.62832

CITY 5.358898 5.358898 5.358898

CIVIC 23.50173 23.50173 23.50173

Cholesky Ordering: CRV FREED CITY CIVIC JAZZ Lampiran 9. Regresi Model Minitab Regression Analysis: Jazz versus jlag1, Freed, ... The regression equation is Jazz = 12.3 + 0.195 jlag1 + 0.333 Freed + 0.258 flag1 + 0.101 City - 0.50 citlag1 - 0.308 CR-V + 0.185 crlag1 + 2.94 Civic - 2.11 civlag1

Predictor Constant jlag1 Freed flag1 City citlag1 CR-V crlag1 Civic civlag1

Coef 12.30 0.1945

SE Coef 10.51 0.2387

T 1.17 0.82

P 0.256 0.425

0.3334 0.2585 0.1015 -0.503 -0.3077 0.1855 2.942 -2.107

0.2535 0.2459 0.7471 1.005 0.4077 0.4306 1.557 1.378

1.32 1.05 0.14 -0.50 -0.75 0.43 1.89 -1.53

0.204 0.306 0.893 0.622 0.460 0.672 0.074 0.143

S = 8.89967

R-Sq = 41.3%

R-Sq(adj) = 13.4%

Analysis of Variance Source Regression Residual Error Total

Source jlag1 Freed flag1 City citlag1 CR-V crlag1 Civic civlag1

DF 1 1 1 1 1 1 1 1 1

DF 9 19 28

SS 1057.26 1504.88 2562.14

MS 117.47 79.20

F 1.48

P 0.224

Seq SS 41.44 429.08 67.66 31.28 6.23 0.01 75.59 220.74 185.23

Unusual Observations Obs 22

jlag1 22.0

Jazz 3.00

Fit 23.52

SE Fit 3.67

Residual -20.52

St Resid -2.53R

R denotes an observation with a large standardized residual

JAZZ 50.06444 50.06444 50.06444

86

Lanjutan Lampiran 9. Regression Analysis: jlag1 versus Jazz, Freed, ... The regression equation is jlag1 = 18.6 + 0.174 Jazz - 0.144 Freed + 0.311 flag1 - 0.249 City + 0.857 citlag1 + 0.353 CR-V - 0.234 crlag1 - 3.39 Civic + 1.59 civlag1

Predictor Constant Jazz Freed flag1 City citlag1 CR-V crlag1 Civic civlag1

Coef 18.613 0.1737 -0.1442 0.3110 -0.2488 0.8572 0.3533 -0.2344 -3.395 1.589

S = 8.40931

SE Coef 9.359 0.2131 0.2480 0.2282 0.7040 0.9351 0.3825 0.4053 1.402 1.330

R-Sq = 47.6%

T 1.99 0.82 -0.58 1.36 -0.35 0.92 0.92 -0.58 -2.42 1.19

P 0.061 0.425 0.568 0.189 0.728 0.371 0.367 0.570 0.026 0.247

R-Sq(adj) = 22.7%

Analysis of Variance Source Regression Residual Error Total

Source Jazz Freed flag1 City citlag1 CR-V crlag1 Civic civlag1

DF 1 1 1 1 1 1 1 1 1

DF 9 19 28

SS 1218.52 1343.61 2562.14

MS 135.39 70.72

F 1.91

P 0.112

Seq SS 41.44 88.75 514.92 64.12 0.03 0.00 48.86 359.47 100.93

Unusual Observations Obs 23

Jazz 15.0

jlag1 3.00

Fit 21.32

SE Fit 4.07

Residual -18.32

St Resid -2.49R

R denotes an observation with a large standardized residual.

87

Lanjutan Lampiran 9. Regression Analysis: Freed versus flag1, Jazz, ... The regression equation is Freed = 14.1 + 0.076 flag1 + 0.250 Jazz - 0.121 jlag1 - 0.526 City - 1.17 citlag1 - 0.124 CR-V + 0.438 crlag1 + 0.86 Civic - 0.71 civlag1

Predictor Constant flag1 Jazz jlag1 City citlag1 CR-V crlag1 Civic civlag1

Coef 14.118 0.0759 0.2504 -0.1213 -0.5264 -1.1715 -0.1244 0.4384 0.856 -0.708

S = 7.71196

SE Coef 8.861 0.2185 0.1903 0.2085 0.6363 0.8341 0.3574 0.3612 1.458 1.255

R-Sq = 33.8%

T 1.59 0.35 1.32 -0.58 -0.83 -1.40 -0.35 1.21 0.59 -0.56

P 0.128 0.732 0.204 0.568 0.418 0.176 0.732 0.240 0.564 0.579

R-Sq(adj) = 2.4%

Analysis of Variance Source

DF

SS

MS

F

P

Regression Residual Error Total

9 19 28

576.68 1130.01 1706.69

64.08 59.47

1.08

0.422

Source flag1 Jazz jlag1 City citlag1 CR-V crlag1 Civic civlag1

DF 1 1 1 1 1 1 1 1 1

Seq SS 10.42 301.28 64.41 15.49 79.37 17.22 57.08 12.49 18.92

Unusual Observations Obs 4 29

flag1 14.0 13.0

Freed 40.00 12.00

Fit 19.45 25.14

SE Fit 3.24 4.46

Residual 20.55 -13.14

St Resid 2.94R -2.09R

R denotes an observation with a large standardized residual.

88

Lanjutan Lampiran 9. Regression Analysis: flag1 versus Freed, Jazz, ... The regression equation is flag1 = 2.00 + 0.083 Freed + 0.213 Jazz + 0.286 jlag1 - 0.065 City - 0.210 citlag1 - 0.128 CR-V + 0.189 crlag1 - 0.35 Civic + 0.69 civlag1

Predictor Constant Freed Jazz jlag1 City citlag1 CR-V crlag1 Civic civlag1

Coef 2.000 0.0831 0.2126 0.2865 -0.0651 -0.2098 -0.1284 0.1889 -0.353 0.691

S = 8.07042

SE Coef 9.862 0.2393 0.2022 0.2101 0.6776 0.9158 0.3741 0.3900 1.537 1.314

R-Sq = 28.0%

T 0.20 0.35 1.05 1.36 -0.10 -0.23 -0.34 0.48 -0.23 0.53

P 0.841 0.732 0.306 0.189 0.925 0.821 0.735 0.634 0.821 0.605

R-Sq(adj) = 0.0%

Analysis of Variance Source Regression Residual Error Total

Source

DF 9 19 28

SS 480.36 1237.50 1717.86

DF

Seq SS

1 1 1 1 1 1 1 1 1

10.49 35.48 353.99 1.93 0.77 5.71 53.39 0.58 18.01

Freed Jazz jlag1 City citlag1 CR-V crlag1 Civic civlag1

MS 53.37 65.13

F 0.82

P 0.606

Unusual Observations Obs 5

Freed 13.0

flag1 40.00

Fit 17.26

SE Fit 4.31

Residual 22.74

St Resid 3.33R

R denotes an observation with a large standardized residual.

89

Lanjutan Lampiran 9. Regression Analysis: City versus citlag1, Jazz, ... The regression equation is City = 3.18 - 0.043 citlag1 + 0.0096 Jazz - 0.0263 jlag1 - 0.0660 Freed - 0.0075 flag1 + 0.049 CR-V + 0.161 crlag1 + 0.256 Civic - 0.452 civlag1

Predictor Constant citlag1 Jazz jlag1 Freed flag1 CR-V crlag1 Civic civlag1

Coef 3.178 -0.0434 0.00956 -0.02625 -0.06605 -0.00745 0.0490 0.1608 0.2565 -0.4522

S = 2.73155

SE Coef 3.261 0.3102 0.07038 0.07428 0.07983 0.07763 0.1265 0.1276 0.5177 0.4359

R-Sq = 26.5%

T 0.97 -0.14 0.14 -0.35 -0.83 -0.10 0.39 1.26 0.50 -1.04

P 0.342 0.890 0.893 0.728 0.418 0.925 0.703 0.223 0.626 0.313

R-Sq(adj) = 0.0%

Analysis of Variance Source Regression Residual Error Total

Source citlag1 Jazz jlag1 Freed flag1 CR-V crlag1 Civic civlag1

DF 1 1 1 1 1 1 1 1 1

DF 9 19 28

SS 51.199 141.766 192.966

MS 5.689 7.461

F 0.76

P 0.651

Seq SS 1.452 2.295 8.450 1.447 0.288 22.814 5.981 0.444 8.029

Unusual Observations Obs 5 15

citlag1 3.0 3.0

City 7.000 11.000

Fit 3.187 5.222

SE Fit 2.116 1.860

Residual 3.813 5.778

St Resid 2.21R 2.89R

R denotes an observation with a large standardized residual.

90

Lanjutan Lampiran 9. Regression Analysis: citlag1 versus City, Jazz, ... The regression equation is citlag1 = 3.45 - 0.024 City - 0.0259 Jazz + 0.0494 jlag1 - 0.0803 Freed - 0.0131 flag1 - 0.248 CR-V + 0.263 crlag1 + 0.891 Civic - 0.285 civlag1

Predictor Constant City Jazz jlag1 Freed flag1 CR-V crlag1 Civic civlag1

Coef 3.451 -0.0237 -0.02589 0.04941 -0.08029 -0.01313 -0.24796 0.26292 0.8908 -0.2850

S = 2.01896

SE Coef 2.340 0.1695 0.05170 0.05390 0.05717 0.05731 0.07467 0.07744 0.3264 0.3247

R-Sq = 56.5%

T 1.48 -0.14 -0.50 0.92 -1.40 -0.23 -3.32 3.40 2.73 -0.88

P 0.157 0.890 0.622 0.371 0.176 0.821 0.004 0.003 0.013 0.391

R-Sq(adj) = 35.8%

Analysis of Variance Source Regression Residual Error Total

Source City Jazz jlag1 Freed flag1 CR-V crlag1 Civic civlag1

DF 1 1 1 1 1 1 1 1 1

DF 9 19 28

SS 100.414 77.448 177.862

MS 11.157 4.076

F 2.74

P 0.031

Seq SS 1.338 0.535 0.807 10.476 0.097 15.540 40.758 27.724 3.140

Unusual Observations Obs 15 29

City 11.0 1.0

citlag1 3.000 0.000

Fit 5.992 4.266

SE Fit 1.542 1.014

Residual -2.992 -4.266

St Resid -2.30R -2.44R

R denotes an observation with a large standardized residual.

91

Lanjutan Lampiran 9. Regression Analysis: CR-V versus crlag1, Jazz, ... The regression equation is CR-V = 10.1 + 0.622 crlag1 - 0.095 Jazz + 0.122 jlag1 - 0.051 Freed - 0.048 flag1 + 0.160 City - 1.48 citlag1 + 1.97 Civic - 1.14 civlag1

Predictor Constant crlag1 Jazz jlag1 Freed flag1 City citlag1 Civic civlag1

Coef 10.126 0.6222 -0.0946 0.1216 -0.0509 -0.0480 0.1600 -1.4812 1.9738 -1.1442

S = 4.93444

SE Coef 5.572 0.1928 0.1253 0.1317 0.1463 0.1398 0.4128 0.4460 0.8250 0.7657

R-Sq = 55.5%

T 1.82 3.23 -0.75 0.92 -0.35 -0.34 0.39 -3.32 2.39 -1.49

P 0.085 0.004 0.460 0.367 0.732 0.735 0.703 0.004 0.027 0.152

R-Sq(adj) = 34.4%

Analysis of Variance Source Regression Residual Error Total

Source crlag1 Jazz jlag1 Freed flag1 City citlag1 Civic civlag1

DF 1 1 1 1 1 1 1 1 1

DF 9 19 28

SS 577.24 462.62 1039.86

MS 64.14 24.35

F 2.63

P 0.036

Seq SS 108.47 11.75 32.46 10.87 15.09 44.72 180.46 119.05 54.36

Unusual Observations Obs 14

crlag1 20.0

CR-V 29.000

Fit 18.917

SE Fit 2.372

Residual 10.083

St Resid 2.33R

R denotes an observation with a large standardized residual.

92

Lanjutan Lampiran 9. Regression Analysis: crlag1 versus CR-V, Jazz, ... The regression equation is crlag1 = - 4.32 + 0.569 CR-V + 0.052 Jazz - 0.074 jlag1 + 0.164 Freed + 0.065 flag1 + 0.480 City + 1.44 citlag1 - 1.64 Civic + 1.47 civlag1

Predictor Constant CR-V Jazz jlag1 Freed flag1 City citlag1 Civic civlag1

Coef -4.317 0.5690 0.0521 -0.0738 0.1641 0.0646 0.4798 1.4362 -1.6409 1.4678

S = 4.71878

SE Coef 5.687 0.1763 0.1211 0.1276 0.1352 0.1333 0.3807 0.4230 0.8175 0.6970

R-Sq = 59.6%

T -0.76 3.23 0.43 -0.58 1.21 0.48 1.26 3.40 -2.01 2.11

P 0.457 0.004 0.672 0.570 0.240 0.634 0.223 0.003 0.059 0.049

R-Sq(adj) = 40.5%

Analysis of Variance Source Regression Residual Error Total

Source CR-V Jazz jlag1 Freed flag1 City citlag1 Civic civlag1

DF 1 1 1 1 1 1 1 1 1

DF 9 19 28

SS 624.79 423.07 1047.86

MS 69.42 22.27

F 3.12

P 0.018

Seq SS 109.30 5.18 29.08 3.57 24.62 59.05 223.39 71.85 98.74

Unusual Observations Obs 5 15 29

CR-V 16.0 17.0 13.0

crlag1 10.000 29.000 13.000

Fit 17.962 21.499 4.577

SE Fit 3.508 3.550 2.668

Residual -7.962 7.501 8.423

St Resid -2.52R 2.41R 2.16R

R denotes an observation with a large standardized residual.

93

Lanjutan Lampiran 9. Regression Analysis: Civic versus civlag1, Jazz, ... The regression equation is Civic = 0.43 + 0.230 civlag1 + 0.0537 Jazz - 0.0695 jlag1 + 0.0208 Freed - 0.0078 flag1 + 0.050 City + 0.316 citlag1 + 0.117 CR-V - 0.107 crlag1

Predictor Constant civlag1 Jazz jlag1 Freed flag1 City citlag1 CR-V crlag1

Coef 0.431 0.2302 0.05374 -0.06945 0.02081 -0.00783 0.0497 0.3162 0.11728 -0.10662

S = 1.20284

SE Coef 1.468 0.1901 0.02845 0.02869 0.03546 0.03415 0.1004 0.1158 0.04903 0.05312

R-Sq = 60.3%

T 0.29 1.21 1.89 -2.42 0.59 -0.23 0.50 2.73 2.39 -2.01

P 0.772 0.241 0.074 0.026 0.564 0.821 0.626 0.013 0.027 0.059

R-Sq(adj) = 41.5%

Analysis of Variance Source Regression Residual Error Total

Source civlag1 Jazz jlag1 Freed flag1 City citlag1 CR-V crlag1

DF 1 1 1 1 1 1 1 1 1

DF 9 19 28

SS 41.752 27.490 69.241

MS 4.639 1.447

Fit 3.230 2.623 5.000

SE Fit 0.571 0.937 0.779

F 3.21

P 0.016

Seq SS 3.561 7.587 15.944 0.078 0.588 0.803 3.609 3.753 5.829

Unusual Observations Obs 2 5 18

civlag1 1.00 2.00 2.00

Civic 6.000 1.000 7.000

Residual 2.770 -1.623 2.000

St Resid 2.62R -2.15R 2.18R

R denotes an observation with a large standardized residual.

94

Lanjutan Lampiran 9. Regression Analysis: civlag1 versus Civic, Jazz, ... The regression equation is civlag1 = 2.48 + 0.311 Civic - 0.0520 Jazz + 0.0440 jlag1 - 0.0233 Freed + 0.0208 flag1 - 0.119 City - 0.137 citlag1 - 0.0919 CR-V + 0.129 crlag1

Predictor Constant Civic Jazz jlag1 Freed flag1 City citlag1 CR-V crlag1

Coef 2.481 0.3112 -0.05202 0.04396 -0.02327 0.02075 -0.1185 -0.1367 -0.09190 0.12892

S = 1.39848

SE Coef 1.613 0.2570 0.03402 0.03680 0.04126 0.03947 0.1143 0.1558 0.06151 0.06122

R-Sq = 43.0%

T 1.54 1.21 -1.53 1.19 -0.56 0.53 -1.04 -0.88 -1.49 2.11

P 0.141 0.241 0.143 0.247 0.579 0.605 0.313 0.391 0.152 0.049

R-Sq(adj) = 16.1%

Analysis of Variance Source Regression Residual Error Total

Source Civic Jazz jlag1 Freed flag1 City citlag1 CR-V crlag1

DF 1 1 1 1 1 1 1 1 1

DF 9 19 28

Seq SS 3.355 4.728 6.737 0.026 1.966 1.241 0.979 0.378 8.673

SS 28.082 37.159 65.241

MS 3.120 1.956

F 1.60

P 0.187