7
II TINJAUAN PUSTAKA
2.1. Rayap Menurut Yusuf dan Utomo (2006) rayap merupakan serangga primitif yang sangat dekat kekeluargaannyadengan kecoa. Di alam, rayap sangat berguna mengubah kayumati dan bahan organik lainnya yang mengandung selulosa untuk dijadikan humus. Dari aspek tersebut, rayap merupakan serangga yang sangat bergunan namun apabila manusia mulai membangun gedung dengan komponen kayu sebagai bahan bakunya, maka mulailah rayap merusak bangunan tersebut untuk mencari makannya Menurut Nandika (2003), rayap merusak bangunan tanpa mempedulikan kepentingan manusia. Rayap mampu merusak bangunan gedung, bahkan juga menyerang dan merusak mebeler di dalam nya. Nandika (2003) mengemukakan sejak tahun 1982, kasus serangan rayap pada bangunan gedung di Indonesia telah mulai banyak dilaporkan. Pada saat ini perhatian terhadap ancaman rayap pada bangunan gedung di Indonesia terasa meningkat dengan sangat mengesankan. Hal ini dapat dimengerti mengingat beberapa jenis rayap telah seringkali menunjukan daya serang yang luar biasa terhadap perumahan, kantor dan bangunan gedung lain sehingga mengakibatkan kerugian ekonomis yang cukup besar. 2.2. Pestisida Hama Rayap Pestisida untuk mengendalikan rayap disebut termitisida. Termitisida dibagi kedalam dua jenis yaitu termitisida nonrepelen dan termitisida repelen. Termitisida nonrepelen adalah racun yang menyebabkan kematian pelan-pelan bagi rayap yang melewati daerah tanah yang sudah diberi perlakuan dan rayap tersebut tidak bisa menghindarinya. Rayap masuk kedaerah perlakuan, kemudian mereka terkontaminasi oleh bahan aktif yang digunakan yang menyebabkan kematian perlahan-lahan dimungkinkan yang disebabkan oleh kematian mikroba. Untuk selanjutnya, racun tersebut dibawa kedalam sarangnya dengan adanya proses pergantian kulit dan trofalaksis. Termitisida jenis repelen adalah termitisida yang bersifat racun syaraf yang mematikan dengan cepat, mempunyai bau yang keras sehingga rayap enggan memasuki daerah tersebut (Yusuf dan Utomo, 2006).
8
2.3. Kointegrasi Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan (Engle dan Granger, 1987). Tetapi, proses ini justru akan menghilangkan hubungan jangka panjang yang mungkin terdapat dalam variabel-variabel time series yang diteliti dan hanya memberikan hubungan jangka pendek time series. Disinilah penting nya proses kointegrasi dimana konsep ini membantu memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan time series non-stasioner. Dengan kata lain konsep ini mengatakan bahwa apabila terdapat dua atau lebih time series yang tidak stasioner (mempunyai unit roots) dan terintegrasi pada orde yang sama serta residunya bersifat stasioner sehingga tidak ada korelasi seri di dalamnya (white nose), maka time series tersebut dinamakan terkointegrasi. Didalam konsep 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 vektor kointegrasi dengan menetapkan koefisiennya menjadi satu.
2.
Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua variabel yang terintegrasi pada orde yang sama terkointegrasi.
3.
Bila vektor 𝑋𝑡 mempunyai n komponen, maka akan ada n-1 vektor kointegrasi linear yang tidak tergantung satu dengan yang lainnya. Jumlah vektor kointegrasi ini dinamakan peringkat kointegrasi (cointegration rank), biasanya dilambagkan dengan r. Sifat penting yang terdapat dalam variabel-variabel yang terkointegrasi
adalah perjalanan waktu variabel-variabel tersebut dipengaruhi oleh perubahan atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabelvariabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi akan menjadi stasioner dalam jangka panjang (Enders, 2004).
9
2.4. 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 persamalahan.
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
10
suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi. 2.5. 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 di 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). 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. 2.6. Impuls Response Function (IRF) Impuls resonponse function merupakan suatu cara pengujian struktur dinamis dari ssitem variabel dalam model yang diamati dan dicerminkan oleh cariabel inovasi (innovation variable). IRF menunjukkan respon dari setiap variabel endogen sepanjang waktu terhadap kejutan (shock) dari variabel itu
11
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 sebah variabel dpenden 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 faktorisassi 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 berdasrkan nilai matriks korelasi yangmenyatakan tingkat korelasi paling besar. Selain itu, IRF juga digunakan untuk mengetahui berapa lama pengaruh shock dari satu variabel terhadap variabel lain tersebut tejadi. IRF juga bertujuan untuk mengisolasi suatu 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. 2.7. Forecast Error Variance Decomposition (FEVD) Forecast Error Decomposition of variance (FEVD) dapat memberikan informasi mengenai variabel inovasi yang relatif lebih penting dalam VAR. Metode ini digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro, yang 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, dapat dilihat juga kekuatan dan kelemahan dari mmasing-masing variabel dalam mempengaruhi variabel lainnya pada kurun waktu yang panjang (how long/ how persistent). Dekomposisi varians merinci varian dari error peramalan (forecast) menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase squared prediction error k-tahap ke
12
depan 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 dilakukuan 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. 2.8. Peramalan (forecasting) Menurut
Hanke (2003)
Peramalan merupakan suatu upaya untk
memprediksi ketidakpastian masa depan. Dengan maksud membantu para pengambil keputusan untuk memutuskan suatu kebijakan secara lebih baik. Peramalan melibatkan sejumlah studi mengenai data historis dan manipulasi data tersebut untuk mencari pola data sehingga dapat digunakan untuk memperkirakan pola data di masa depan Tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan dibandingkan dengan tebakan non-ilmiah. Tebakan ilmiah yaitu peramalan yang berdasarkan metode-metode manipulasi data secara logis yang dihasilkan dari kejadian-kejadian masa lalu (Hanke, 2003). Penggunaan teknik peramalan diawali dengan pengeksplorasian pola data pada masa lalu guna mengembangkan model yang sesuai dengan pola data itu dengan menggunakan asumsi bahwa pola data pada masa lalu itu akan berulang lagi pada waktu yang akan datang. Hasil pengolahan data masa lalu akan menjadi tolak ukur perusahaan untuk membuat perencanaan langkah langkah yang akan diambil oleh perusahaan. 2.9. Metode Peramalan Kualitatif Peramalan ini didasarkan pada individu-individu penilaian orang yang melakukan peramalan dan tidak tergantung pada data-data yang akurat (pengolahan dan analisis data historis yang tersedia), metode ini digunakan untuk peramalan produk baru dimana tidak ada data historis. Teknik pada metode ini
13
yang digunakan adalah Teknik Delphi, Kurva pertumbuhan, Marketing Research, dll (Hanke, 2003). 2.10. Metode Peramalan Kuantitatif Metode peramalan kuantitatif memiliki sifat yang objektif karena didasarkan pada keadaan aktual (data) yang diolah dengan menggunakan metodemetode tertentu. Menurut Makridakis dalam Wisastri (2006), peramalan kuantitatif dapat diterapkan apabila terdapat tiga kondisi berikut: 1. Tersedia informasi masa lalu. 2. Informasi tersebut dapat dikuantitatifkan dalam bentuk data numerik. 3. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa datang. Peramalan
kuantitatif
dapat
memberikan
hasil
yang
dapat
dipertanggungjawabkan karena memiliki dasar yang jelas. Dasar yang digunakan adalah data yang merupakan representasi gambaran aktual masa lalu dan adanya justifikasi teoritik yang digunakan secara sistematik. Pada dasarnya segala bentuk dan teknik peramalan kuantitatif bersifat ekstrapolatif, yang didasarkan pada suatu pola data atau hubungan sebab akibat antar data. Metode kuantitatif pada dasarnya dapat dibagi menjadi dua kelompok utama yaitu model time series (deret berkala) dan model kasual. Peramalan penjualan merupakan bentuk peramalan dengan model time series. 2.11. Peramalan Penjualan Peramalan dapat didefinisikan juga sebagai suatu proses memperkirakan secara sistematis tentang apa yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki agar kesalahannya dapat diperkecil (Mulyono dalam Belladona, 2008). Kesalahan atau error merupakan selilisih antara apa yang terjadi dengan hasil perkiraan. Peramalan tidak memberikan jawaban yang pasti tentang apa yang akan terjadi, tetapi berusaha mencari sedekat mungkin dengan apa yang terjadi. Salah satu peramalan yang penting dan sering dilakukan perusahaan adalah peramalan penjualan. Hasil peramalan lingkungan bisnis dimana perusahaan beroperasi pada umumnya mempunyai implikasi pada peramalan penjualan. Oleh karena itu peramalan penjualan paling strategis dalam sebuah perusahaan. Peran peramalan
14
penjualan jangka panjang dibutuhkan oleh perusahaan dalam keputusan pengembangan produk baru, mengurangi jumlah produk yang dihasilkan atau dipasarkan, pengurangan modal, pembukuan daerah pemasaran baru, pengambil alihan perusahaan lain, pengembangan saluran distribusi baru dan keputusankeputusan strategis lainnya. Untuk jangka pendek, peramalan penjualan digunakan untuk melakukan jadwal produksi, perencanaan kebutuhan bahan, rekrutmen tenaga kerja, perencanaan pemasaran, prediksi aruskas dan tingkat dimana komposisi biaya dan pendapatan yang dipilih dapat mempertahankan likuiditas dan efisiensi operasi (Sugiarto dan Harijono, 2000). 2.12. Strategi Pemasaran Strategi merupakan program untuk menentukan dan mencapai tujuan perusahaan dan mengimplementasikan misinya. Strategi didefinisikan sebagai pola tanggapan atau respon organisasi terhadap lingkungan nya sepanjang waktu (Fandy, 2008). Strategi merupakan kunci keberhasilan perusahaan dalam menghadapi perubahan lingkungan bisnis dan mencapai tujuan. Strategi pemasaran merupakan pernyataan baik secara implisit maupun eksplisit mengenai bagaimana suatu merek atau lini produk mencapai tujuannya (bennet dalam Fandy, 2008). Menurut Corey (dalam Fandy, 2008) strategi pemasaran terdiri atas lima elemen penting yang saling berkait. Kelima elemen tersebut adalah: 1. Pemilihan pasar, yaitu memilih pasar yang akan dilayani 2. Perencanaan produk, meliputi produk spesifik yang dijual, pembentukan lini produk, dan desain penawaran individual pada masing-masing lini. 3. Penetapan harga, yaitu menentukan harga yang dapat mencerminkan nilai kuantitatif dari produk ke pelanggan. 4. Sistem distribusi, yaitu saluran perdagangan grosir dan eceran yang dilalui produk hingga mencapai konsumen akhir yang membeli dan menggunakannya. 5. Komunikasi pemasaran (promosi), yang akan meliputi periklanan, personal selling, promosi penjualan, direct marketing, dan public relations.
15
Menurut Rangkuti (2005), komponen-komponen strategi terdiri dari: 1. Segmentasi Pasar Pasar terdiri dari banyak pembeli yang berbeda dalam beberapa hal, misalnya keinginan, kemampuan keuangan, lokasi, sikap pembelian dan praktekpraktek pembeliannya. Berdasarkan perbedaan ini dapat dilakukan segmentasi pasar. Segmentasi pasar adalah tindakan mengidentifikasi dan membentuk kelompok pembeli atau konsumen secara terpisah. Beberapa aspek utama untuk mensegmentasikan pasar yaitu aspek Geografis, Demografis, Psikografis, Perilaku. 2. Target Pasar Menetapkan target pasar atau sasaran adalah tindakan mengevaluasi dan membandingkan kelompok yang diidentifikasi, kemudian memilih salah satu atau beberapa diantaranya sebagai calon target dengan potensi paling besar. 3. Posisi Pasar Penetapan posisi adalah tindakan merancang tawaran dan citra perusahaan sehingga menempati posisi yang khas (diantara para pesaing) di dalam benak pelanggan sasarannya. Setelah perusahaan memutuskan segmen mana yang akan dimasuki, selanjutnya diputuskan pula posisi mana yang ingin ditempati dalam segmen tersebut. 2.13. Penelitian Terdahulu Novika (2010) meneliti tentang kointegrasi harga beberapa komoditas pangan utama dengan menggunakan metode analisis Vector Autoregression (VAR) dan Vector Error Correction Model (VECM) yang dalam penggunaannya dibedakan menurut pola datanya, yang diuji terlebih dahulu menggunakan uji stasioneritas. Apabila yang data yang digunakan stasioner pada level nol maka digunakan metode analisis VAR dan apabila data yang digunakan tidak stasioner pada level nol maka digunakan metode analisis VECM. Tujuan peneliti dalam melakukan penelitian adalah untuk menganalisis kointegrasi harga beberapa komoditas pangan utama di tingkat produsen dan tingkat konsumen, dan menganalisis apakah terdapat pemimpin harga komoditas pangan utama ditingkat produsen dan konsumen.
16
Melihat data yang tidak stasioner pada level nol maka metode yang digunakan adalah metode analisis VECM. Hasil dari metode analisis menunjukan terdapat kointegrasi harga komoditas jagung, kacang tanah, dan ketela rambat di Pulau Sumatera dan Pulau Jawa pada tingkat produsen maupun konsumen. Hal ini dapat diartikan bahwa variabel harga disuatu propinsi memiliki hubungan jangka panjang dengan variabel harga di propinsi-propinsi lainnya. Uji kausalitas multivariate pada harga jagung, kacang tanah, dan ketela rambat menunjukan tidak terdapat hubungan kausalitas harga antar propinsi baik di Pulau Sumatera maupun di Pulau Jawa.hal ini menunjukan tidak terdapat pemimpin harga jagung, kacang tanah, maupun ketela rambat di tingkat produsen dan konsumen di kedua pulau tersebut. Aldina (2008) meneliti tentang peramalan penjualan Matrix Blackberry PT. Indosat dengan menggunakan metode peramalan time series dan metode regresi yang dalam penggunaannya terbagi lagi kedalam beberapa metode peramalan yang kemudian akan dipilih metode yang sesuai dengan ketersedian data dan kesesuaian metode dengan tujuan penelitian. Tujuan peneliti dalam melakukan penelitian adalah untuk mengetahui pencapaian penjualan Matrix Blackberry, mengetahui keunggulan Matrix Blackberry yang dapat ditawarkan kepada konsumen, dan mencari alternatif strategi pemasaran yang tepat. Dengan metode terbaik yang dipilih yaitu trend analisys menghasilkan nilai penjualan pada akhir bulan peramalan secara nationwide atau keseluruhan penjualan untuk delapan wilayah adalah 12.394 subscriber. Hal ini dapat diartikan bahwa dengan lebih dari 6 ribu pelanggan pada akhir 2007, maka perusahaan dapat menargetkan penjualan pada akhir tahun meningkat dua kali lipatnya. Keunggulan Marix Blackberry yang dapat ditawarkan kepada pelanggan yaitu GPRS yang dimiliki indosat untuk pemakaian Matrix Blackberry memiliki pemakaian maksimum dua kali lebih besar dari perusahaan pesaing namun dengan excess fee yang sama untuk per kilobyte. Hasil peramalan menunjukan bahwa dengan tindakan pemasaran Matrix Blackberry yang telah dilakukan oleh perusahaan sudah tepat. Untuk menghadapi hambatan yang terjadi di tiap regional perusahaan harus fokus pada primary market, perluas target pasar (Pemerintah & UKM), dan memperkuat posisi
17
sebagai produk dan layanan pushmail dengan GPRS terluas. Sedangkan untuk Marketing Mix (8P) yang dapat dilakukan adalah dengan menampilkan keunggulan brand dan diferensiasi dalam petunjuk visual, perbanyak pilihan fitur, penambahan
galeri,
melakukan
promosi
dengan
komunikasi
2
arah,
memaksimalkan media online, mencetak excellent CS & AE, melakukan smart marketing act, dan menetapkan harga dengan cerdik.