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
Data Null Hypothesis
m=
Level of Significance
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
Two-Tail Test Lower Critical Value
-2.5758
Upper Critical Value
2.5758
p-Value
0.0115
Do not reject the null hypothesis 31
Data Null Hypothesis
m=
Level of Significance
H0 ke-3 tidak ditolak.
Population Standard Deviation Sample Size Sample Mean
Maka : “Penggunaan pengambilan keputusan berbasis peramalan berhubungan negatif dengan galat. “
0.3 0.01 5.854 378 -0.1041
Intermediate Calculations Standard Error of the Mean Z Test Statistic
0.3011 -1.3421
Two-Tail Test Lower Critical Value
-2.5758
Upper Critical Value
2.5758
p-Value
0.1796
Do not reject the null hypothesis 32
Data Null Hypothesis
m=
Level of Significance
H0 ke-4a tidak ditolak.
Population Standard Deviation Sample Size Sample Mean
Maka : “Penggunaan teknik peramalan berhubungan positif secara langsung dengan biaya. “
0.3 0.01 5.854 378 0.142
Intermediate Calculations Standard Error of the Mean Z Test Statistic
0.3011 -0.5247
Two-Tail Test Lower Critical Value
-2.5758
Upper Critical Value
2.5758
p-Value
0.5998
Do not reject the null hypothesis 33
Data Null Hypothesis
m=
Level of Significance
H0 ke-4b tidak ditolak. Maka : “Penggunaan teknik peramalan berhubungan positif secara langsung dengan kinerja pengiriman. “
Population Standard Deviation
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
Two-Tail Test Lower Critical Value
-2.5758
Upper Critical Value
2.5758
p-Value
0.2191
Do not reject the null hypothesis 34
Data Null Hypothesis
m=
Level of Significance
H0 ke-5a tidak ditolak.
Population Standard Deviation Sample Size Sample Mean
Maka : “Penggunaan beberapa sumber informasi berhubungan positif secara langsung dengan biaya. “
0.3 0.01 5.854 378 0.271
Intermediate Calculations Standard Error of the Mean Z Test Statistic
0.3011 -0.0963
Two-Tail Test Lower Critical Value
-2.5758
Upper Critical Value
2.5758
p-Value
0.9233
Do not reject the null hypothesis 35
Data Null Hypothesis
m=
Level of Significance
H0 ke-5b tidak ditolak.
Population Standard Deviation Sample Size Sample Mean
Maka : “Penggunaan beberapa sumber informasi berhubungan positif secara langsung dengan kinerja pengiriman. “
0.3 0.01 5.854 378 0.114
Intermediate Calculations Standard Error of the Mean Z Test Statistic
0.3011 -0.6177
Two-Tail Test Lower Critical Value
-2.5758
Upper Critical Value
2.5758
p-Value
0.5367
Do not reject the null hypothesis 36
Data Null Hypothesis
m=
Level of Significance
H0 ke-6a tidak ditolak. Maka : “Penggunaan pengambilan keputusan berbasis peramalan berhubungan positif secara langsung dengan biaya. “
Population Standard Deviation
0.3 0.01 5.854
Sample Size
378
Sample Mean
0.23
Intermediate Calculations Standard Error of the Mean Z Test Statistic
0.3011 -0.2325
Two-Tail Test Lower Critical Value
-2.5758
Upper Critical Value
2.5758
p-Value
0.8162
Do not reject the null hypothesis 37
Data Null Hypothesis
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
Intermediate Calculations Standard Error of the Mean Z Test Statistic
0.3011 -0.3587
Two-Tail Test Lower Critical Value
-2.5758
Upper Critical Value
2.5758
p-Value
0.7198
Do not reject the null hypothesis 38
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