18
III . METODE PENELITIAN 3.1. Kerangka Pemikiran Dalam pencarian metode peramalan terbaik, diperlukan berbagai informasi relevan sebagai data penunjang untuk pasar kue. Peramalan pasar kue dapat dilakukan dengan pasar perhitungan volume penjualan produk yang dihasilkan di masa lalu. Hasil peramalan penjualan pasar kue ini merupakan alat yang penting di dalam perencanaan penjualan kue di masa yang akan datang, agar kedepanya dapat memperoleh gambaran. Hasil peramalan penjualan akan mempengaruhi arus kas, jika arus kas yang diperkirakan tidak dapat disesuaikan dengan perkiraan biaya, akan mengalami kekurangan biaya, maka dari itu harus menghindari hal tersebut. Jadi peramalan kue harus dilakukan dengan sebaik mungkin agar tidak kekurangan dana keuangan dimasa depan. Perusahaan memiliki tujuan yaitu pada dasarnya mendapatkan keuntungan demi kelancaran usahanya dan mampu bersaing dalam lingkungan bisnis kuliner lainnya
dengan memiliki kelebihan yang luar biasa dibandingkan dengan
perusahaan lainnya. Dengan adanya kondisi pasar yang terus berubah dan munculnya fenomena dalam lingkungan pemasaran yang mengakibatkan perlunya peramalan dilakukan untuk memprediksi kejadian di masa yang akan datang agar dimasa mendatang pun telah ada perkiraan atau prediksinya sehingga tidak akan bingung dalam memprediksinya pada perusahan. Pada penelitian ini terlebih dahulu dilakukan pengumpulan informasi secara meneluruh mengenai gambaran secara umum perusahaan beserta visi, misi dan tujuan perusahaan. Agar kita dapat mengetahui apa inti dan maksud dari perusahan tersebut setelah kita ketahui visi, misi dan tujuan perusahaannya.Terdapat dua jenis data yang digunakan untuk dilakukan analisis VAR (Vector Autoregression) dan analisis VECM (Vector Error Corection Model). Analisis VECM untuk menunjukkan adanya kointegrasi tetapi data tersebut tidak stasioner dan analisis VAR untuk menunjukkan data tersebut kointegrasi tapi stationer. Kemudian melakukan analisis IRF dan FEVD untuk melihat korelasi antara data pasokan dengan data penjualan yang kemudian dilakukan peramalan melalui analisis FEVD.
19
Triple Combo
Ingin mengetahui hubungan antar jenis kue dan ramalan penjualan jenis kue yang digunakan untuk menyususn perencanaan yang lebih baik
Data Penjualan Triple Combo : Klappertart, Makaroni, Pastel
Uji Stasioner
Ya
Tidak
Stasioner ?
Stabilitas VAR
VAR
Uji Kointegrasi
VECM
Model
KVECM Stabilitas
Analisis Sebab Akibat (Kausalitas Granger)
(
Menentukan Lag Optimal
Implus Response Funtion (IRF)
Dekomposisi Galat Peramalan Forecasting Error Variance Decompotion (FEVD)
Hasil Analisis Implikasi Manajerial
Gambar 1. Kerangka Pemikiran
20
3.2 Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Triple Combo Klappertart Huize yang beralamat di Jalan. Pangrango No.8 Bogor. Kue klappertart dipilih untuk menjadi tempat penelitian karena merupakan kue yang sangat digemari oleh masyarakat pada umumnya. Penelitian ini dilaksanakan akhir Januari hingga akhir Maret 2011. 3.3 Metode Pengumpulan Data Data yang diperlukan dari dua sumber yaitu data sekunder yang bersifat kualitatif dan kuantitatif. Data sekunder yang didapatkan dari sumber-sumber lain yang berfungsi sebagai pelengkap dari data yang dikumpulkan dari buku-buku ataupun laporan penelitian yang relevan. Data-data pendukung lainnya diperoleh melalui studi literatur berupa laporan penelitian, bulletin, internet, serta bukubuku lain yang berkaitan dengan materi penelitian. Data yang dipergunakan adalah data sekunder yang terdapat dari Triple Combo, data yang telah terkumpul kemudian akan diolah, metode yang digunakan adalah Vector Autoregression. Pengolahan data akan menghasilkan nilai ramalan untuk tiga bulan kedepan. Pengumpulan data yang dibutuhkan kemudian diolah dan dianalisa sehingga dapat melihat gambaran dan penjelasan penelitian ini. Jenis data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari Triple Combo. Pengolahan dan analisis data diharapkan dapat menguraikan langkah-langkah prospek pemasaran yang dilakukan oleh bagian marketing dan penjualan kue klappertart. Analisis data kualitatif mengetahui keunggulan yang dimiliki dari perusahaan. Analisis data kuantitatif digunakan untuk meramalkan data penjualan dan menggambarkan keadaan umum perusahaan. Selama tiga bulan ke depan dengan menggunakan model analisis VAR (Vector Autoregression) sehingga hasil dari analisis penjualan yang akan dijadikan landasan perencanaan penjualan tiga bulan mendatang yang kemuadian dijadikan prospek pemasaran terbaik di tiga bulan yang akan datang. Dilakukan dengan metode alalisis Vector Autoregression (VAR) Diharapkan dengan menggunakan analisis ini dapat diketahui apakah terjadi kointegrasi harga beberapa komoditas kue di tingkat produsen dan
21
konsumen. Granger Causality Test digunakan untuk mencari tahu apakah terdapat pemimpin harga beberapa komoditas pangan utama di tingkat produsen dan konsumen . Pengolahan data dilakukan secara bertahap, dimulai dengan pengelompokan data. Data yang telah ditabelkan dipersiapkan untuk input komputer sesuai dengan model yang digunakan. Proses pengolahan data sekunder pada penelitian ini menggunakan Microsoft Excel 2007, Minitab 16, dan Eviews 6. 3.4 Pengolahan dan Analisis Data 3.4.1 Uji Stasioneritas Data Data yang stasioner merupakan syarat penting bagi analisis time series. Untuk menghindari adanya regresi langsung (spurious regression). Oleh karena itu, perlu dilakukan uji stasioner adalah data yang memiliki kecenderungan untuk mendekati nilai rata-ratanya dan berfluktasi disekitar nilai rata-ratanya (Gujarati,2003) Secara umum, uji stasioneritas dlakukan melalui unit root test, yaitu test yang dilakukan dengan melihat secara visual (grafis) melalui time series plot ada atau tidaknya trend pada variabel yang digunakan. Apabila plotnya cenderung naik terus atau turun terus maka data tidak stasioner. Metode yang dapat digunakan untuk melihat kestasioneran data dalam penelitian ini adalah metode Augmented Dickey Fuller (ADF) Test dan Philip Pheron (PP) Test. Kebanyakan analisis time series menggunakan uji ADF. Sedangkan metode PP hanya disunakan pada data yang mengandung struktural break, yaitu patahan pada pergerakan data yang terjadi karena adanya kejadian luar biasa dalam perekonomian, misal krisis ekonomi. Hasil data yang stasioner pada tingkat level dapat diolah dengan menggunakan metode VAR biasa, Namun jika hasil dari hasil uji ADF mengandung akar unit atau dengan kata lain tidak staaioner pada tingkat level. Maka harus dilakukan penarikan diferensial samapai data stasioner, dilakukan pengujian pada tingkat first difference atau second difference. Alternatif lain yang dapat digunakan jika data tidak stasioner namun terkointergrasi adalah dengan metode Vector Error Correction Model (VECM).
22
Uji stasioneritas akan dilakukan dengan metode ADF dan PP sesuai dengan bentuk tren deterministik yang dikandung oleh setiap variabel. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series non stasioner akan berimplikasi pada dua pilihan VAR, VAR dalam bentuk diferens atau VECM. Keberadaan variabel non stasioner meingkatkan kemungkinan keberadaan hubungan kointegrasi antar variabel. Maka pengujian kointegrasi diperlukan untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi diperlukan untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi sebaiknya tetap dilakukan pada data stasioner, mengingat terdapatnya kemungkinan kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of the test. 3.4.2 Metode Pengujian Granger Causality Hubungan causality adalah hubungan jangka pendek antara kelompok tertentu dengan menggunakan pendekatan ekonometrik. Terdapat beberapa hubungan kausalitas, yaitu: hubungan kausalitas satu arah. Hubungan kausalitas dua arah atau hubungan timbal balik. Pengujian ini bertujuan untuk mengetahui hubungan sebab akibat diantara dua variabel yang diuji. Setelah mengetahui lag optimal bagi sistem VAR, pengujian ini pun akan langsung dapat dilakukan. Pengujian kausalitas ini dilakukan untuk melihat hubungan kausalitas yang dapat terjadi di antara variabelvariabel yang terdapat dalam model. Penelitian ini menggunakan metode uji granger causality untuk melihat hubungan tersebut. Hipotesis nol 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 probabilitasnya yang dibandingkan dengan tingkat kepercayaan yang pada penelitian ini menggunakanh nilai kritis 10 persen. Jika nilai probabilitasnya lebih besar dari 10 % maka hipotesis nol ditolak yang artinya terdapat hubungan kausalitas pada variabelvariabel yang diuji.
23
3.4.3 Pengujian Lag Optimal Tingkat lag optimal ditentukan berdasarkan nilai Schwarz Information Criterion (SC). Tingkat lag yang dipilih adalah lag yang menghasilkan nilai SC terendah daripada tingkat lag lainnya. Berdasarkan perhitungan nilai SC pada variabel-variabel harga di tingkat produsen dan konsumen, nilai SC terendah. Uji lain yang juga penting dilakukan dalam analisis time series adalah uji lag optimal. Hal tersebut dikarenakan suatu variabel ekonomi memerlukan rentang waktu untuk merespon variabel lainnya (Gujarati, 2003). Jika panjang lag dilambangkan dengan p, maka setiap n persamaan berisi n x p koefisien ditambah intersep. Panjang lag haruslah cukup sehingga dapat menangkap dinamika sistem yang akan dimodelkan. Lag yang lebih panjang akan mengakibatkan lebih banyak junmlah parameter yang harus diduga dan mengurangi derajat bebas yang ada. Untuk mendapatkan lag optimal, dilakukan tiga bentuk pengujian secara bertahap. Pada tahap pertama akan dilihat panjang selang maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR polinominalnya. Suatu sistem VAR dikatakan stabil (stasioner) jika seluruh rootsnya memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle. Tahap selanjutnya, panjang selang optimal akan dicari
dengan
menggunakan kriteria informasi yang tersedia, yaitu kriteria Likelihood Ratio (LR), Final Prediction Error (FPE) , Akaike Information Criterion (AIC), Schwarz Information Criterion (SIC) dan Hannah Quinn Information Criterion (HQ). Jika kriteria informasi hanya merujuk pada sebuah kandidat selang, maka kandidat tersebutlah yang optimal. Dalam penelitian ini, kriteria yang digunakan adalah Akaike Information Criterion (AIC) minimum. Jika diperoleh lebih dari satu kandidat, maka pemilihan dilanjutkan pada tahap ketiga, yaitu nilai Adjused R kuadrat variabel VAR dari masing-masing kandidat selang yang dibandingkan, dengan penekanan pada variabel-variabel terpenting dari sistem VAR tersebut. Selang optimal akan dipilih dari sistem VAR denagn selang tertentu menghasilkan nilai Adjused R kuadrat terbesar pada variabel-variabel penting di dalam model.
24
3.4.4 Vector Autoregresesive (VAR) Vector Autoregresesive atau yang lebih dikenal dengan VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linear dari konstansa dari nilai lag dari peubah itu sendiri serta nilai lag dari peubah lain yang ada di dalam sistem. Jadi peubah penjelas dalam VAR meliputi nilai lag seluruh peubah tak bebas dalam sistem. Model VAR dikembangkan oleh Cristoper Sims pada tahun 1980. Model ini dasarnya hampir sama dengan model untuk menguji Granger’s Causality. VAR adalah model a-theory terhadap teori ekonomi. Namun demikian model ini sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam suatu sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi. Namun demikian model ini sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi. Model ini juga menjadi dasar munculnya metode kointegrasi Johansen yang sangat baik dalam menjelaskan perilaku variabel dalam perekonomian. Model VAR memiliki banyak keunggulan, antara lain : 1. Model ini sederhana, tidak perlu khawatir membedakan anatara variabel endogen dan variabel eksogen. 2. Estimasinya sederhana, dimana metode OLS biasa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah. 3. Hasil ramalan (forecast) yang diperoleh dengan VAR dalam banyak kasus yang lebih bagus dibandingkan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun. 4. Selain itu analisis VAR juga merupakan alat-alat analisis yang sangat berguna baik di dalam memahami adanya hubungan timbal balik antar variable ekonomi maupun di dalam pembentukan modul berstruktur. 5. Secara umum VAR debgan ordo p dan n buah variable endogen pada waktu ke t dapat dimodelkan sebagai berikut :
25
Yt
=
C
+A1Yt-1+A2Yt-2+….+ApYt-p+et1
........................................................(2) Dimana : Yt = Vaktor variable endogen (Y1.t1 Y2.t2 Yn.t) berukuran nx1 C = Vaktor intersep berukuran nx1 Ai = Matrik parameter berukuran nxn εt = Vektor sisaan (ε1t1 , ε2t2 …εnt) berukuran nx1 Namun demikian, model VAR juga mempunyai kekurangan, diantaranya adalah sebagai berikut : 1. Model VAR lebih bersifat a-theory karena tidak memanfaatkan informasi atau teori terlebih dahulu 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 banyak menimbulkan permasalahan 4. Semua variabel VAR harus stasioner 5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah. Sistem persamaan multivariate memiliki hubungan kausalitas anatar variabel yang lebih rumit dibandingkan sistem persamaan bivariat. Metode VAR membuat seluruh variabel menjadi variabel endogen dan menurunkan distributed lag-nya . Secara umum persamaan VAR dengan orde p dengan n buah peubah tak bebas pada waktu ke-t dapat dimodelkan sebagai berikut (Enders,2004) : dimana : Yt = Vektor peubah tak bebas (Yt, At,..Yt,t) berukuran n x 1 Ao = Vektor intersep berukuran n x 1 Ap = matrik parameter berukuran n x 1 untuk setiap i = 1, 2, ...p Et = Vektor sisaan (E1,t......En,t) berukuran n x 1 Asuumsi yang harus dipenuhi dalam analisis VAR adalah semua peubah tak bebas bersifat stasioner, semua sisaan bersifat white noise yang artinya
26
memiliki rataan nol, ragam konstan, dan diantara peubah tak bebas tidak ada korelasi. Biasanya digunakan untuk memproyeksikan sistem variabel-variabel runtut waktu dan untuk menganalisis dampak dari faktor yang terdapat dalam sistem variable tersebut. Pada dasarnya analisis VAR biasa dipadankan dengan suatu model. Perbedaanya dengan model simultan biasa adalah dalam analisi VAR, masing-masing variabel selain diterangkan oleh nilainya, dimana sampai juga dipengaruhi oleh nilai masa lampau semua variabel endogen lainnya yang diamati. Disamping itu, dalam analisis VAR biasanya tidak ada variabel eksogen. 3.4.5 Uji Stabilitas VAR Kestabilan model VAR yang digunakan mutlak perlu karena jika model yang digunakan tidak stabil, maka hasil estimasi model pun menjadi tidak valid, demikian pula dengan hasil IRF dan FEVD-nya. Hasil uji stabilitas model VAR : Stabilitas sistem VAR dan VEC akan dilihat dari nilai inverse roots karakteristik AR polinominalnya. Hal ini dapat dilihat dari nilai modulus di tabel AR-rootsnya, jika seluruh nilai AR- roots-nya dibawah 1 maka sistem tersebut stabil. Stabilitas sistem VAR dapat dilihat dari nilai inverse roots karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR roots-nya. Jika seluruh nilai AR roots-nya di bawah satu, maka sistem tersebut stabil. 3.4.6 Impluse Response Function (IRF) Analisis implus respon adalah metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan (shock) variabel tertentu. IRF juga digunakan untuk melihat guncangan dari satu variabel yang lain dan berapa lama pengaruh tersebut terjadi. IRF dalam penelitian ini dilakukan untuk mengetahui respon dinamik variabel nilai penjualan. Impluse response 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 mempengaruhi variabel tersebut dan juga di teruskan pada variabel endogen lainnya melalui struktur yang dinamis (Enders,
27
2004). IRF digunakan untuk menentukan respon variabel NPF. Analisis IRF menjelaskan dampak dari guncangan (shock) pada suatu variabel terhadap variabel lain, dimana dalam analisis ini tidak hanya dalam waktu pendek tetapi dapat menganalisis untuk beberapa horizon ke depan (kuartal) sebagai informasi jangka panjang. Pada alalisis ini dapat melihat respon dinamika jangka panjang setiap variabel apabila ada inovasi (shock) tertentu sebesar satu standar error pada setiap persamaan. Sumbu horisontal merupakan periode dalam kuartal, sedangkan sumbu vertikal menunjukan nilai respon dalam persentase. Analisis impuls respons adalah metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan (shocks) variabel tertentu. IRF juga digunakan unruk melihat guncangan dari satu variabel yang lain dan berapa lama pengaruh tersebut terjadi. IRF dalam penelitian ini untuk mengetahui respon dinamik variabel. IRF menunjukkan bagaimana respon dari setiap variabel endogen sepanjang waktu terhadap kejutan dari variabel itu sendiri dan variabel endogen lainnya. IRF digunakan untuk melihat pengaruh kontemporer dari sebuah variabel dependen jika mendapatkan guncangan atau inovasi dari variabel independen sebesar satu standar deviasi. Hasil IRF tersebut sangat sensitif terhadap pengurutan (ordering) variabel yang digunakan dalam perhitungan. Pengurutan variabel yang didasarkan pada faktorisasi cholesky. Variabel yang memiliki nilai prediksi terhadap variabel lain diletakkan di depan berdampingan satu sama lainnya. Variabel yang tidak memiliki nilai prediksi terhadap variabel lain diletakkan paling belakang. 3.4.7 Forecast Error Variance Decomposition (FEDV) Analisis dekomposisi varian atau dikenal dengan Forecasting Error Decomposition of Variance (FEDV) digunakan untuk menghitung dan menganalisis seberapa besar pengaruh acak guncangan dari variabel tertentu terhadap variabel endogen. Analisis dekomposisi varian atau dikenal dengan FEVD digunakan untuk menghitung dan menganalisis seberapa besar pengaruh acak
guncangan dari
varibel tertentu terhadap variabel endogen. FEVD menghasilkan informasi mengenai relatif pentingnya masing-masing inovasi acak atau seberapa kuat
28
komposisi dari variabel tertentu terhadap variabel lainnya dalam model VAR. Ukuran kuat lemahnya variabel dalam mempengaruhi variabel lainnya ditetapkan secara normatif. Ukuran kuatnya suatu variabel dalam memepengaruhi variabel lainnya ditetapkan lebih besar dari 50 persen dan lemah lebih kecil dari 50 persen. Metode yang dapat digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro - ditunjukkan oleh perubahan variance error yang dipengaruhi oleh variabel-variabel lainnya : Metode ini dapat melihat juga kekuatan dan kelemahan dari masingmasing variabel dalam mempengaruhi variabel lainnya pada kurun waktu yang panjang (how long / how persistent). Dekomposisi varians merinci varians dari error peramalan (forecast) menjadi komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model melalui perhitungan persentase squared prediction error k-tahap ke 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 : Mengembangkan model dalam suatu sistem yang kompleks (multivariat), sehingga dapat menangkap hubungan keseluruhan variabel dalam sistem. Uji VAR yang bersifat multivariat bisa menghindari parameter yang bisa akibat tidak dimasukannya variabel yang relevan. Dapat mendeteksi hubungan antar variabel dalam sistem persamaan, dengan menjadikan seluruh variabel menjadi endogenous. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan semu (spurious variable endogenty dan exogenty) di dalam model ekonometrik konvensional terutama pada persamaan simultan, sehingga menghindari penafsiran yang salah. Dengan teknik VAR maka yang akan terpilih hanya variabel yang relevan untuk disinkronisasi dengan teori yang ada. Tidak dilandasi teori tentang hubungan antarvariabel (model non-struktural). Model VAR kurang cocok untuk analisis kebijakan. Pemilihan banyaknya lag dalam persamaan dapat menimbulkan permasalahan. Interpretasi koefisien yang di dapat berdasarkan model VAR tidak mudah.
