EVALUASI PERANAN FAKTOR-FAKTOR PERAMALAN TERHADAP BIAYA DAN KINERJA PENGIRIMAN PERUSAHAAN MANUFAKTUR DENGAN MENGGUNAKAN METODE HIERARCHICAL REGRESSION

EVALUASI PERANAN FAKTOR-FAKTOR PERAMALAN TERHADAP BIAYA DAN KINERJA PENGIRIMAN PERUSAHAAN MANUFAKTUR DENGAN MENGGUNAKAN METODE HIERARCHICAL REGRESSION Penyusun Tugas Akhir : Atikah Shafira Hatta NRP: 5209.100.140 Dosen Pembimbing : Wiwik Anggraeni, S.Si, M.Kom Retno Aulia Vinarti, S.Kom, M.Kom 1

Meningkatnya proses peramalan sering dianggap kritis untuk mendapatkan perkiraan yang lebih akurat. Akurasi peramalan sering dianggap suatu keharusan karena besarnya galat biasanya berpengaruh positif terhadap kinerja operasional perusahaan, terutama biaya dan pengiriman. Ketidakakuratan dalam peramalan dapat berarti kelebihan persediaan atau kehilangan penjualan dan dapat menyebabkan dampak biaya yang parah pada sistem manufaktur. Karenanya, perlu diadakan evaluasi terhadap proses peramalan yang dibuat oleh perusahaan manufaktur untuk meningkatkan kinerja operasionalnya menggunakan metode Hierarchical Regression. Hierarchical Regression digunakan oleh penulis dalam mengevaluasi sebuah peramalan, karena Hierarchical Regression tidak hanya melihat satu faktor saja, tetapi beberapa faktor yang berpengaruh sehingga dapat dievaluasi secara detil.

Tugas akhir ini nantinya dapat melihat apakah terdapat pengaruh dari faktor peramalan dengan galat, lalu faktor peramalan apakah berpengaruh langsung atau tidak terhadap biaya dan kinerja pengiriman. Dengan demikian, hasil dari tugas akhir ini diharapkan mengetahui apakah terdapat faktor-faktor lain yang dapat meningkatkan kinerja operasional perusahaan selain meningkatkan akurasi dari sebuah peramalan.

2

Bagaimana cara melakukan evaluasi dampak faktorfaktor peramalan terhadap galat ?

Bagaimana cara melakukan evaluasi dampak faktorfaktor peramalan terhadap biaya dan kinerja pengiriman menggunakan metode hierarchical regression ?

Bagaimana cara melakukan validasi dari penelitian yang dilakukan?

3

1. Data yang akan diproses adalah data primer yang didapat dari edisi keempat survei Global Manufacturing Research Group (GMRG). Studi kasus yang diambil adalah perusahaan manufaktur dari tiga Negara yaitu Jepang, Hungary dan Amerika Serikat (USA). 2. Faktor-faktor peramalan meliputi : – Teknik peramalan – Informasi yang digunakan pada proses peramalan – Peran peramalan pada pengambilan keputusan

3. Biaya yang dimaksud, mencakup biaya : – Biaya langsung produksi – Biaya total produk – Biaya raw material

4. Kinerja pengiriman dilihat dari segi : – Kecepatan pemenuhan order – Kecepatan pengiriman – Pengiriman seperti yang dijanjikan

5. Tugas akhir ini berfokus pada hubungan antara faktor peramalan dengan galat serta biaya dan kinerja pengiriman saja, tanpa menghitung kuat lemahnya hubungan tersebut. 6. Confidence interval yang digunakan adalah 99%. 4

Mengevaluasi dampak dari faktorfaktor peramalan terhadap galat.

Mengevaluasi dampak dari faktorfaktor peramalan terhadap biaya dan kinerja pengiriman.

5

• • • • •

• • • •

H0-ke1 : Penggunaan teknik peramalan berhubungan negatif dengan galat. H0-ke2 : Penggunaan beberapa sumber informasi berhubungan negatif dengan galat. H0-ke3 : Penggunaan pengambilan keputusan berbasis peramalan berhubungan negatif dengan galat. H0-ke4a : Penggunaan teknik peramalan berhubungan positif secara langsung dengan kinerja biaya. H0-ke4b : Penggunaan teknik peramalan berhubungan positif secara langsung dengan kinerja pengiriman. H0-ke5a : Penggunaan beberapa sumber informasi berhubungan positif secasa langsung dengan kinerja biaya H0-ke5b: Peramalan beberapa sumber informasi berhubungan positif secara langsung dengan kinerja pengiriman H0-ke6a : Penggunaan pengambilan keputusan berbasis peramalan berhubungan positif secara langsung dengan kinerja biaya H0-ke6b : Penggunaan pengambilan keputusan berbasis peramalan berhubungan positif secara langsung dengan kinerja pengiriman 6

Identifikasi Masalah

Perumusan Masalah dan Penetapan Tujuan Penelitian

Studi Pustaka

Pengolahan Data

Perumusan Hipotesis

Perhitungan Statistik Deskriptif

Uji korelasi item kelompok variabel peramalan

Analisa Hasil

Uji Hipotesis

Pengambilan Kesimpulan

7

8

Data primer praktek manufacturing di beberapa Negara di dunia yang dikumpulkan GMRG.

Data diambil dari perusahaan kecil sampai perusahaan besar di 6 negara yaitu Austria, Ghana, Hungary, Itali, Jepang, dan USA.

Setelah data terbagi berdasarkan 3 negara tersebut, diambil datadata yang digunakan sebagai faktor-faktor peramalan berdasarkan kuesioner pada survey yang dilakukan GMRG.

Data tidak dapat langsung digunakan, tetapi harus disaring terlebih dahulu karena data yang diambil hanya data dari 3 negara yaitu Hungary, Jepang dan USA.

Alasan diambilnya 3 negara tersebut adalah karena data dari 3 negara tersebut memiliki hasil korelasi paling tinggi diantara negara-negara lainnya dan memiliki jumlah paling banyak sehingga diharapkan dari banyaknya data dapat mempengaruhi kereliabelan dan kevalidan data.

9

Faktor

Teknik Peramalan

Kegunaan Informasi

Item

Variabel

Model time series kuantitatif

TCHS1

Model kausal kuantitatif

TCHS2

Model Kualitatif

TCHS3

Kondisi ekonomi sekarang

SUBOBJ1

Perencanaan penjualan kustomer

SUBOBJ2

Informasi supplier

SUBOBJ3

Penelitian pasar

SUBOBJ4

10

Faktor

Item Persiapan penjualan dan keuangan

Variabel FRCSTUS1

Perencanaan produksi FRCSTUS2 Peran Peramalan

Galat

Pengembangan produk baru Perencanaan peralatan

FRCSTUS7 FRCSTUS9

Untuk produk individu, berapa ERR1 persen galat pada dua bulan ke depan. Untuk total penjualan, berapa persen galat ERR2 pada 24 bulan ke depan

11

Faktor

Biaya

Kinerja Pengiriman

Item

Variabel

Biaya langsung manufaktur

COMPUSE1

Biaya total produk

COMPUSE2

Biaya raw material

COMPUSE3

Kecepatan pemenuhan order

PGRMS8

Kecepatan pengiriman PGRMS9 Pengiriman seperti yang dijanjikan

PGRMS10

12

• Uji korelasi dilakukan untuk mencari nilai korelasi dari variabel terikat dan variabel bebas. • Hasil dari uji korelasi ini menentukan variabel-variabel mana yang cocok dimasukkan dalam perhitungan regresi. • Uji korelasi dilakukan dua tahap, yaitu : – Uji korelasi item variabel peramalan – Uji korelasi semua variabel peramalan

13

Start

Input data

Masukkan variabel kontrol (size dan range) dan variabel dependen (biaya / pengiriman)

tidak Masukkan faktor peramalan

Iterasi <1 ya tidak Hitung Regresi

Model 1 Model 2 Model 3

Iteras i>2 ya Masukkan variabel mediasi (galat) ya

Stop

14

15

Mean Rentang waktu (bulan) Jml. modifikasi peramalan dalam satu tahun

Median

Std. Deviasi

Kuartil 1

Kuartil 3

7.95

6

8.43

3

12

9.43

4

31.13

2

12

Dari tabel diatas, dapat kita ketahui bahwa sebagian besar dari sampel perusahaan melakukan aktivitas peramalan kurang dari satu tahun dan median dari sampel adalah 6 bulan. 25% perusahaan memperbarui (update) data peramalan 3 bulan dan 75% perusahaan update kurang dari satu kali per bulan (kuartil 3 adalah 12 kali per tahun). Hasil dari standar deviasi sebesar 8.43 untuk rentang waktu dan 31.13 untuk jumlah modifikasi peramalan dalam satu tahun. 16

17

Variabel

•

Pearson correlation

Cronbach alpha Factor load Total varians

Teknik

0.781

0.902

0.904

83.60%

Informasi

0.808

0.932

0.894

83.33%

Peran

0.805

0.908

0.855

78.80%

Error

0.513

0.678

0.87

75.66%

Biaya

0.686

0.87

0.853

79.84%

Pengiriman

0.732

0.867

0.872

79.28%

Hasil menunjukkan bahwa pada masing-masing variabel peramalan memiliki indeks korelasi pearson diatas 0.4, cronbach alpha diatas 0.5, faktor load lebih besar dari 0.70, yang berarti setiap variabel memiliki data yang valid dan reliabel dengan korelasi yang tinggi pula maka semua 18 variabel dapat masuk kedalam perhitungan regresi.

Teknik

Informasi

Peran

Error

Biaya

Pengiriman

Size

Teknik

1.00

Informasi

0.40

1.00

Peran

0.55

0.56

1.00

Error

-0.06

-0.06

-0.15

1.00

Biaya

0.21

0.20

0.22

-0.08

1.00

Pengiriman

0.12

0.11

0.20

-0.10

0.32

1.00

Size

0.05

-0.10

0.14

-0.01

0.18

0.01

1.00

Range

0.13

0.05

0.05

-0.05

-0.07

0.02

0.03

Range

1.00

• Dari tabel diatas dapat dilihat bahwa semua variabel peramalan memiliki hubungan karena tidak terdapat nilai 0, terdapat hubungan positif dan hubungan negatif. 19

20

Variable

Model 1

Model 2

Model 3

Range

-0.1760*

-0.1936*

-0.1777*

Size

-0.0585*

-0.1214*

0.0679*

Teknik

-0.2425*

Informasi Peran

-0.4605* -0.1041*

• Hasil regresi antara faktor peramalan dengan galat pada tabel diatas menunjukkan bahwa terdapat hubungan yang negatif antara galat dengan teknik peramalan. Dari hasil tersebut dapat dinyatakan bahwa hipotesis H1 mendukung.

21

Variable

Model 1

Model 2

Model 3

Range

-0.1760*

-0.1936*

-0.1777*

Size

-0.0585*

-0.1214*

0.0679*

Teknik

-0.2425*

Informasi Peran

-0.4605* -0.1041*

• Hubungan dari galat dan sumber informasi adalah negatif, sehingga hipotesis H2 mendukung.

22

Variable

Model 1

Model 2

Model 3

Range

-0.1760*

-0.1936*

-0.1777*

Size

-0.0585*

-0.1214*

0.0679*

Teknik

-0.2425*

Informasi Peran

-0.4605* -0.1041*

• Begitu pula dengan hubungan antara galat dan peran peramalan dalam pengambilan keputusan adalah negatif. Sehingga hipotesis H3 mendukung pula. 23

Langkah 1: Memeriksa apakah variabel awal (x) berhubungan secara signifikan dengan mediator (m).

Langkah 2: Memeriksa apakah variabel awal berhubungan secara signifikan dengan variabel dependen (y)

Langkah 3: Memeriksa apakah mediator berhubungan secara signifikan dengan variabel dependen saat variabel awal juga dimasukkan ke dalam persamaan.

Langkah 4: Memeriksa apakah variabel awal berhubungan secara signifikan dengan variabel dependen ketika mediatoris juga dimasukkan ke dalam persamaan. 24

• Variabel awal (x)  teknik peramalan, informasi, peran peramalan. • Variabel mediator (m)  galat • Hasil : semua faktor peramalan berhubungan secara signifikan terhadap galat. • Langkah 1 dapat terverifikasi Variable

Model 1

Model 2

Model 3

Range

-0.1760*

-0.1936*

-0.1777*

Size

-0.0585*

-0.1214*

0.0679*

Teknik

-0.2425*

Informasi Peran

-0.4605* -0.1041* 25

Variab el Range Size Teknik Error

Kinerja biaya Model Model Model 1 2 3 -.048 -.066 -.068 .206* .193 .193 .144** .142** -.010

Kinerja pengiriman Model Model Model 1 2 3 .012 .003 .001 .004* -.001 -.002 .070** .067** -.012

Variab el Range Size Peran Error

Kinerja biaya Model Model Model 1 2 3 -.048 -.054 -.056 .206* .174 .174 .238** .230** -.007

Variabe l Range Size Informa si Error

Kinerja biaya Model Model Model 1 2 3 -.048 -.056 -.058 .206* .231 .230

Kinerja pengiriman Model Model Model 1 2 3 -.048 .009 .006 .206* -.015 -.013

.276**

.120**

.271** -.010

.114** -.012

Kinerja pengiriman Model Model Model 1 2 3 -.048 .007 .005 .206* -.022 -.022 .203** .192** -.009

Dapat dilihat pada tiga tabel diatas bahwa semua faktor peramalan berhubungan secara signifikan dengan biaya dan pengiriman, maka langkah 2 dapat terverifikasi. 26

• Hasil dari analisa hierarchical regression menunjukkan bahwa semua faktor peramalan berhubungan secara signifikan dengan biaya dan kinerja pengiriman. • Namun hasil hierarchical regression yang direpresentasikan oleh model 3, galat tidak berhubungan secara signifikan. • Hal ini menunjukkan bahwa pada semua kasus, langkah 3 tidak dilakukan.

27

Galat (m)

a

Faktor peramalan (x)

b

c’

Biaya / Kinerja Pengiriman (y)

• Model 3 dari analisa hierarchical regression digunakan untuk memverifikasi langkah 4 dari prosedur Baron dan Kenny. • Tes Sobel membuktikan bahwa efek mediasi pada analisa regresi adalah tidak signifikan. • Kesimpulan : setiap faktor peramalan mempunyai efek langsung pada kinerja operasional yang mana tidak termediasi oleh galat. • Berdasarkan hasil ini dapat disimpulkan bahwa hipotesis H4, H5, dan H6 mendukung. 28

29

Data Null Hypothesis

H0 ke-1 tidak ditolak. Maka : “Penggunaan teknik peramalan berhubungan negatif dengan galat. “

m=

0.3

Level of Significance

0.01

Population Standard Deviation

5.854

Sample Size

378

Sample Mean

-0.2425

Intermediate Calculations Standard Error of the Mean

0.3011

Z Test Statistic

-1.8017

Two-Tail Test Lower Critical Value

-2.5758

Upper Critical Value

2.5758

p-Value

0.0716

Do not reject the null hypothesis 30


m=


H0 ke-2 tidak ditolak.

Population Standard Deviation Sample Size Sample Mean

Maka : “Penggunaan beberapa sumber informasi berhubungan negatif dengan galat. “

0.3 0.01 5.854 378 -0.4605

Intermediate Calculations Standard Error of the Mean Z Test Statistic

0.3011 -2.5258


-2.5758


2.5758

p-Value

0.0115



m=


H0 ke-3 tidak ditolak.


Maka : “Penggunaan pengambilan keputusan berbasis peramalan berhubungan negatif dengan galat. “

0.3 0.01 5.854 378 -0.1041


0.3011 -1.3421


-2.5758


2.5758

p-Value

0.1796



m=


H0 ke-4a tidak ditolak.


Maka : “Penggunaan teknik peramalan berhubungan positif secara langsung dengan biaya. “

0.3 0.01 5.854 378 0.142


0.3011 -0.5247


-2.5758


2.5758

p-Value

0.5998



m=


H0 ke-4b tidak ditolak. Maka : “Penggunaan teknik peramalan berhubungan positif secara langsung dengan kinerja pengiriman. “


0.3 0.01 5.854

Sample Size

378

Sample Mean

0.67

Intermediate Calculations Standard Error of the Mean

0.3011

Z Test Statistic

1.2288


-2.5758


2.5758

p-Value

0.2191



m=


H0 ke-5a tidak ditolak.


Maka : “Penggunaan beberapa sumber informasi berhubungan positif secara langsung dengan biaya. “

0.3 0.01 5.854 378 0.271


0.3011 -0.0963


-2.5758


2.5758

p-Value

0.9233



m=


H0 ke-5b tidak ditolak.


Maka : “Penggunaan beberapa sumber informasi berhubungan positif secara langsung dengan kinerja pengiriman. “

0.3 0.01 5.854 378 0.114


0.3011 -0.6177


-2.5758


2.5758

p-Value

0.5367



m=


H0 ke-6a tidak ditolak. Maka : “Penggunaan pengambilan keputusan berbasis peramalan berhubungan positif secara langsung dengan biaya. “


0.3 0.01 5.854

Sample Size

378

Sample Mean

0.23


0.3011 -0.2325


-2.5758


2.5758

p-Value

0.8162



H0 ke-6b tidak ditolak.

m=

Level of Significance Population Standard Deviation Sample Size

Maka : “Penggunaan pengambilan keputusan berbasis peramalan berhubungan positif secara langsung dengan kinerja pengiriman. “

Sample Mean

0.3 0.01 5.854 378 0.192


0.3011 -0.3587


-2.5758


2.5758

p-Value

0.7198


39

40

• Implementasi metode hierarchical regression pada tugas akhir ini menghasilkan bahwa pengadopsian teknik peramalan, pengadopsian beberapa sumber informasi, dan pengambilan keputusan berbasis peramalan berhubungan negatif dengan galat. • Hal yang mungkin menjadi alasan mengapa tidak terdapat hubungan positif signifikan adalah pengadopsian teknik peramalan, pengadopsian beberapa sumber informasi, dan pengambilan keputusan berbasis peramalan tidak menjamin dapat meningkatkan akurasi dari sebuah peramalan, mungkin tindakan lain diperlukan terkait dengan bagaimana proses peramalan harus diatur dan dikelola dengan baik. 41

• Implementasi metode hierarchical regression pada tugas akhir ini menghasilkan bahwa pengadopsian teknik peramalan, pengadopsian beberapa sumber informasi, dan pengambilan keputusan berbasis peramalan berhubungan positif dan langsung dengan biaya dan kinerja pengiriman, tanpa ada mediasi dari galat. • Penggunaan teknik peramalan memiliki dampak langsung pada kinerja biaya dan pengiriman. Dalam hal ini meningkatkan akurasi peramalan melalui teknik peramalan tidak harus menjadi prioritas utama perusahaan, melainkan bagaimana membangun sebuah proses peramalan yang dikelola dengan baik dan benar.

42

• Penggunaan beberapa sumber informasi berhubungan secara langsung terhadap kinerja biaya dan pengiriman. Pengambilan informasi dari berbagai sumber memberikan kemampuan pada perusahaan untuk menganalisis dan memahami permintaan dan pasar dalam hal mengidentifikasi pola atau perilaku membeli. • Meningkatkan peran peramalan dalam pengambilan keputusan berdampak langsung pada kinerja biaya dan pengiriman karena pengambilan keputusan berbasis peramalan dapat membantu untuk menyelaraskan kegiatan dan rencana dari berbagai fungsi area dalam perusahaan.

43

44

 Penelitian di masa depan diharapkan dapat mencari kontribusi lebih lanjut dalam membuktikan hubungan dari teknik peramalan dengan galat dengan cara menginvestigasi kemujaraban teknik yang lebih spesifik pada konteks yang berbeda.  Penelitian di masa depan diharapkan dapat mencari kontribusi galat dalam kinerja biaya dan kinerja pengiriman. Dengan asumsi bahwa “dengan meningkatkan akurasi peramalan, kinerja biaya dan pengiriman akan meningkat”. 45

• •

• • • • • • • • •

Armstrong, J. Scott, 2012. Illusions in Regression Analysis, International Journal of Forecasting (forthcoming). Baron, R.M., Kenny, D.A., 1986. The moderator–mediator variable distinction in social psychological research: conceptual, strategic and statistical considera- tions. Journal of Personality and Social Psychology 51 (6), 1173–1182. Cohen Jacob, Cohen Patricia, 1983. Applied multiple regression/correlation analysis for the behavioral sciences. L. Erbaum Associates. Dergibson Siagian & Sugiarto. 2002. Metode Statistika untuk Bisnis dan Ekonomi. Jakarta : PT Gramedia Pustaka Utama Faisal, Sanapioh. 1982. Metodologi Penelitian Pendidikan, Surabaya : Usaha Nasional. Friedenberg, Lisa, 1995. Psychological Testing, Design, Analysis and Use, Allyn and Bacon. Frohlich, M.T., Westbrook, R., 2002. Demand chain management in manufacturing and services: webbased integration, drivers and performance. Journal of Operations Management 20 (4), 729–745. Gmrg.org Guilford ,J.P., 1979. Psychometric Methods, Tata McGraw-Hill Publishing Company Limited. Guilford, J.P. 1956. Fundamental Statistics in Psychology and Education. New York: McGraw Hill. 145. Herbig, P., Milewicz, J., Golden, J.E., 1994. Differences in forecasting behaviour between industrial product firms and consumer product firms. Journal of Business and Industrial Marketing 9, 60–69.

46

• • • • • • • • • • •

Guilford, J.P. 1956. Fundamental Statistics in Psychology and Education. New York: McGraw Hill. 145. Herbig, P., Milewicz, J., Golden, J.E., 1994. Differences in forecasting behaviour between industrial product firms and consumer product firms. Journal of Business and Industrial Marketing 9, 60–69. MacKinnon, D. P.; Lockwood, C. M. 2003. Advances in statistical methods for substance abuse prevention research. Prevention Science (3). 155–171. Mentzer, J.T., Bienstock, C., 1998. Sales Forecasting Management. Sage Publica- tions, London. Moon, M.A., Mentzer, J.T., Smith, C.D., 2003. Conducting a sales forecasting audit. International Journal of Forecasting 19, 5–25. Pamela Danese, Matteo Kalchschmidt, 2010. The Role of the forecasting process in improving forecast accuracy and operational performance, Elsevier. Ronald E.Walpole. 1993. Pengantar Statistika. Jakarta : PT Gramedia Pustaka Utama. Sanders, N.R., Manrodt, K.B., 2003. The efficacy of using judgmental versus quantitative forecasting methods in practice. Omega 31, 511–522. Sobel, M.E., 1982. Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology 13 (1), 290–321. Wampold, B.E., Freund, R.D., 1987. Use of multiple regression in counseling psychology research: a flexible data-analytic strategy. Journal of Counseling Psychology 34 (4), 372–382. Winklhofer, H.M., Diamantopoulos, A., 2002. Managerial evaluation of sales forecasting effectiveness: a MIMIC modeling approach. International Journal of Research in Marketing 19 (2), 151–166.

47

48

EVALUASI PERANAN FAKTOR-FAKTOR PERAMALAN TERHADAP BIAYA DAN KINERJA PENGIRIMAN PERUSAHAAN MANUFAKTUR DENGAN MENGGUNAKAN METODE HIERARCHICAL REGRESSION

Recommend Documents