JURNAL Sistem Informasi Vol. 1, No. 1, (2013) 1-6
1
EVALUASI PERANAN FAKTOR-FAKTOR PERAMALAN TERHADAP BIAYA DAN KINERJA PENGIRIMAN PERUSAHAAN MANUFAKTUR DI NEGARA JEPANG DENGAN MENGGUNAKAN METODE HIERARCHICAL REGRESSION Atikah Shafira Hatta, Wiwik Anggraeni, Retno Aulia Vinarti Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya, 60111, Indonesia E-mail:
[email protected] Abstrak— Semua perusahaan manufaktur membutuhkan perencanaan produksi yang optimal. Agar dapat terus bertahan, maka perusahaan manufaktur berusaha mengoptimalkan seluruh kegiatan pada setiap sektornya untuk bekerja secara efektif dan efisien, termasuk pula pada sektor produksinya. Akurasi peramalan sering dianggap suatu keharusan karena besarnya galat biasanya berpengaruh positif terhadap kinerja operasional perusahaan, terutama biaya produksi dan kinerja pengiriman. 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 terhadap biaya dan kinerja pengiriman. Dengan demikian, hasil dari tugas akhir ini diharapkan mengetahui apakah terdapat faktor-faktor pada proses peramalan yang dapat meningkatkan kinerja operasional perusahaan selain meningkatkan akurasi dari sebuah peramalan. Kata Kunci— perencanaan produksi, peramalan permintaan, faktor peramalan, akurasi peramalan, evaluasi, Hierarchical regression.
I. PENDAHULUAN erusahaan manufaktur, sebagian besar peramalan permintaannya (demand forecasting) tidak menggunakan intuisi saja dan sudah memiliki pertimbangan secara obyektif. Peramalan permintaan merupakan masalah penting untuk perusahaan manufaktur. Beberapa proses pengambilan keputusan memerlukan perkiraan yang akurat untuk memilih tindakan yang tepat dan relevan untuk perencanaan produksi, penganggaran pejualan, peluncuran produk baru, perencanaan promosi, dan lain-lain. Salah satu langkah yang dilakukan oleh perusahaan manufaktur adalah dengan membuat perencanaan produksi yang memiliki biaya-biaya minimum, termasuk didalamnya biaya-biaya minimum, termasuk didalamnya biaya langsung produksi, biaya total produk dan biaya raw material, namun tetap dapat memenuhi permintaan. Aktifitas peramalan permintaan tentu dibutuhkan dalam hal ini, akan tetapi sebagian
P
besar perusahaan manufacturing tidak begitu sadar akan pentingnya keakurasian peramalan permintaan perusahaan, sehingga pada bulan tertentu terjadi overcost pada bagian produksi dan pengiriman yang tidak mereka sadari. Meningkatnya proses peramalan sering dianggap kritis untuk mendapatkan perkiraan yang lebih akurat. 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 terhadap biaya dan kinerja pengiriman. Dengan demikian, hasil dari tugas akhir ini diharapkan mengetahui apakah terdapat faktor-faktor pada proses peramalan yang dapat meningkatkan kinerja operasional perusahaan selain meningkatkan akurasi dari sebuah peramalan. II. METODOLOGI 2.1 Pengolahan Data Data yang diambil pada penelitian ini adalah kumpulan data dari praktek manufacturing di Negara Jepang yang dikumpulkan oleh Global Manufacturing Research Group (GMRG). 2.2 Perumusan Hipotesis Peneliti mengambil hipotesis dari jurnal ‖The Role of the forecasting process in improving forecast accuracy and operational performance‖ (Kalchschmidt, 2010) yang dijadikan acuan selama penelitian. Perumusan hipotesis dilakukan untuk pemberi arah penelitian dan membatasi variabel yang digunakan. Hipotesis yang dirumuskan adalah sebagai berikut : H1 : Penggunaan teknik peramalan berhubungan negatif dengan galat. H2 : Penggunaan beberapa sumber informasi berhubungan negatif dengan kesalahan peramalan.
JURNAL Sistem Informasi Vol. 1, No. 1, (2013) 1-6
H3 : Penggunaan pengambilan keputusan berbasis peramalan berhubungan negatif dengan kesalahan peramalan. H4a : Penggunaan teknik peramalan berhubungan positif secara langsung dengan kinerja biaya. H4b : Penggunaan teknik peramalan berhubungan positif secara langsung dengan kinerja pengiriman. H5a : Penggunaan beberapa sumber informasi berhubungan positif secasa langsung dengan kinerja biaya H5b : Peramalan beberapa sumber informasi berhubungan positif secara langsung dengan kinerja pengiriman H6a : Penggunaan pengambilan keputusan berbasis peramalan berhubungan positif secara langsung dengan kinerja biaya H6b : Penggunaan pengambilan keputusan berbasis peramalan berhubungan positif secara langsung dengan kinerja pengiriman
2.3 Penghitungan Statistik Deskriptif Masing-masing perusahaan memiliki perbedaan pada aktivitas peramalannya, kita dapat melihat dari statistik deskriptif aktivitas peramalan yang dilaksanakan oleh masingmasing perusahaan. Tahap selanjutnya adalah menghitung mean, median, standar deviasi dan kuartil. 2.4 Uji Korelasi 2.4.1 Uji Korelasi Item pada Kelompok Variabel Peramalan Dalam tahap ini, pertama kali penulis menganalisa tiga faktor yang menjadi karakteristik proses peramalan, yaitu : tingkat kegunaan teknik peramalan, tingkat kegunaan informasi dari sumber yang berbeda dan peran peramalan dalam pengambilan keputusan. Setiap kelompok faktor peramalan memiliki beberapa item yang setiap itemnya akan dihitung korelasinya (Pamela dkk, 2010). 2.4.2 Uji Korelasi Semua Variabel Peramalan Pada tahap ini semua variabel peramalan dihitung korelasinya untuk menentuka variabel mana yang akan masuk kedalam perhitungan regresi 2.5 Perhitungan Regresi Linier Analisa regresi dilakukan pada masing-masing faktor peramalan berikut ini : teknik, informasi, dan peran peramalan. Pada analisa ini, ukuran perusahaan (size) dan range menjadi kontrol variabel, sementara galat menjadi variabel dependen. 2.6 Perhitungan Hierarchical Regression Dalam pembuatan program Matlab, terdapat beberapa langkah yang dilakukan untuk pengimplementasian metode hierarchical regression. Berikut flowchrart programnya : Start
Input data
2
tidak Iterasi < 1
Masukkan faktor peramalan
ya
tidak
Hitung Regresi
Iterasi >2 ya Masukkan variabel mediasi (galat)
Model 1 Model 2 Model 3
Gambar 3.1 Flowchart program
III. HASIL DAN PEMBAHASAN Pada bab ini akan dijelaskan mengenai perhitungan statistik deskriptif untuk mengetahui karakteristik data, uji korelasi data, dan analisa dampak dari faktor peramalan terhadap galat serta pengaruhnya terhadap biaya dan kinerja pengiriman menggunakan metode hierarchical regression yang selanjutnya digunakan untuk uji hipotesis. 4.1 Hasil Statistik Deskriptif Terdapat 91 data perusahaan manufaktur dari Negara Jepang. Sample data dibagi berdasarkan masing-masing ukuran perusahaan dan sektor industri yang berkaitan dengan manufaktur dan industri perakitan. Sample terdiri dari perusahaan menengah tetapi juga merepresentasikan perusahaan kecil dan besar. Berikut adalah distribusi sampling dari data. Tabel 4.1 Distribusi sampling berdasarkan ukuran perusahaan
Ukuran perusahaan
Frekuensi
Kecil (<51 pekerja)
%
99
28.9
Sedang (51-250 pekerja)
127
37
Besar (>250 pekerja)
112
32.7
Masing- masing contoh perusahaan memiliki perbedaan pada aktivitas peramalannya, kita dapat melihat dari statistik deskriptif aktivitas peramalan yang dilaksanakan oleh masingmasing perusahaan dari tabel 5.2 : Tabel 4.2 Statistik deskriptif dari aktivitas peramalan
Rentang waktu (bulan) No. modifikasi peramalan dalam satu tahun
Mean
Median 6
Std. Deviasi 8.43
Kuartil 1 3
Kuartil 2 12
7.95
9.43
4
31.13
2
12
JURNAL Sistem Informasi Vol. 1, No. 1, (2013) 1-6
3
Dari tabel diatas, dapat kita ketahui bahwa sekitar 75% perusahaan melakukan peramalan kurang dari satu tahun dan rata-rata perusahaan melakukan aktivitas peramalan selama 6 bulan. Beberapa perusahaan memperbarui (update) data peramalan mereka kurang dari satu kali per bulan (12 kali per tahun). Hasil standart deviasi dari perubahan peramalan sangat tinggi, hal ini menunjukkan bahwa setiap perusahaan memiliki perilaku / kebiasaan dalam melakukan peramalan yang berbedabeda. 4.2 Hasil Uji Korelasi Item pada Kelompok Variabel Peramalan Dalam tahap ini, pertama kali penulis menganalisa tiga faktor yang menjadi karakteristik proses peramalan, yaitu : tingkat kegunaan teknik peramalan, tingkat kegunaan informasi dari sumber yang berbeda dan peran peramalan dalam pengambilan keputusan. Setiap kelompok faktor peramalan memiliki beberapa item yang setiap itemnya akan dihitung korelasinya. Tabel 4.3 Hasil Uji Korelasi Item Kelompok Variabel Peramalan Variabel Pearson Cronbach Factor Total correlation alpha load 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%
4.3 Hasil Uji Korelasi Semua Variabel Peramalan Tabel 4.4 Hasil Uji Korelasi semua Variabel Peramalan
Teknik Informasi Peran Error Biaya Pengirim an Size Range
Erro r
Biay a
Peng irima n
Inform asi
Pera n
1.00 0.49 0.86 -0.14 0.37 0.86
1.00 0.73 -0.21 0.29 0.73
1.00 -0.20 0.70 1.00
1.00 -0.15 -0.20
1.00 0.70
1.00
-0.02 0.11
0.06 0.01
0.05 0.00
-0.14 0.08
0.10 -0.15
0.05 0.00
Size
1.00 -0.12
4.4 Analisis Hasil Analisis hasil meliputi analisis dampak dari faktor peramalan terhadap galat serta pengaruhnya terhadap biaya dan kinerja pengiriman. Hasil analisis bermanfaat untuk membuktikan hipotesis mana yang mendukung atau tidak mendukung. 4.4.1 Dampak dari faktor peramalan terhadap galat Tabel 4.5 Hasil Uji Korelasi semua Variabel Peramalan
Variable Teknik Informasi Peran
Galat -0.6663* -0.5639* -0.603*
Dapat dilihat pada tabel 4.5 bahwa terdapat hubungan yang negatif antara galat dengan teknik peramalan, galat dengan informasi, dan galat dengan peran. Sehingga hipotesis H1, H2 dan H3 diterima. 4.4.2 Dampak langsung dan dampak mediasi dari faktor peramalan terhadap biaya dan kinerja pengiriman Mengacu pada prosedur yang dilakukan oleh Baron dan Kenny (1986), penulis menganalisa efek mediasi dari galat yang terdiri dari empat langkah, yaitu :
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 variabel dapat masuk kedalam perhitungan regresi.
Tekn ik
Faktor informasi juga memiliki hubungan negatif terhadap ukuran perusahaan. Galat memiliki hubungan negatif terhadap semua faktor. Biaya memiliki hubungan negatif terhadap range permintaan, sementara kinerja pengiriman, ukuran perusahaan dan range permintaan memiliki hubungan positif terhadap semua variabel.
Rang e
1. Memeriksa apakah variabel awal (x) berhubungan secara signifikan dengan mediator (m). Pada tabel 4.5 setiap faktor peramalan telah diregresi dengan galat, hal ini memverifikasi langkah pertama dari prosedur Baron dan Kenny. Dari hasil tersebut dapat dilihat bahwa, langkah ini terverivikasi untuk semua faktor peramalan karena semua faktor peramalan berhubungan secara signifikan dengan mediator. 2. Memeriksa apakah variabel awal berhubungan secara signifikan dengan variabel dependen (y) Tabel 4.6 Hasil hierarchical regression - teknik peramalan Kinerja biaya Kinerja pengiriman Variabel Model Model Model Model Model Model 1 2 3 1 2 3 .291 .283 .535** .528** Teknik -.001** -.009** Error
1.00
Tabel 4.4 merupakan hasil dari uji korelasi. Tabel tersebut menunjukkan semua variabel peramalan memiliki hubungan, terdapat hubungan positif dan hubungan negatif. Hubungan antara faktor teknik peramalan dan semua variabel adalah positif kecuali pada galat, begitu pula pada faktor informasi dan peran peramalan terhadap galat yang berhubungan negatif.
**Sig.<0.01
Tabel 4.7 Hasil hierarchical regression - informasi peramalan Kinerja biaya Kinerja pengiriman Variabel Model Model Model Model Model Model 1 2 3 1 2 3 .343 .327 .702** .681** Informasi Error -.007** .010**
JURNAL Sistem Informasi Vol. 1, No. 1, (2013) 1-6
4
**Sig.<0.01
Tabel 4.8 Hasil hierarchical regression - peran peramalan Kinerja biaya Kinerja pengiriman Variabel Model Model Model Model Model Model 1 2 3 1 2 3 .393 .378 .343** .612** Peran .010** .193** Error
b
a
**Sig.<0.01
Dapat dilihat pada tabel 4.6, 4.7, 4.8 bahwa semua faktor peramalan berhubungan secara signifikan dengan biaya dan pengiriman, maka langkah ini dapat terverifikasi. Model 3 pada tabel 5.29, 5.30, 5.31 digunakan untuk memverifikasi langkah 3 dan 4 dari prosedur Baron dan Kenny (1986). 3.
Memeriksa apakah mediator berhubungan secara signifikan dengan variabel dependen saat variabel awal juga dimasukkan ke dalam persamaan. Hasil dari analisa hierarchical regression menunjukkan bahwa semua faktor peramalan berhubungan secara signifikan dengan biaya dan kinerja pengiriman. Disamping itu, pada analisa hierarchical regression yang direpresentasikan oleh model 3, galat tidak berhubungan secara signifikan. Hal ini menunjukkan bahwa pada semua kasus, langkah 3 tidak dilakukan. Keberadaan dari efek mediasi diluar galat tidak mendukung, sementara terdapat efek signifikan langsung dari setiap faktor peramalan pada biaya dan kinerja pengiriman. Jika langkah 1 dan 2 telah terverifikasi dan model 3 menunjukkan bahwa galat berhubungan secara siknifikan dengan biaya (atau kinerja pengiriman) sementara faktor peramalan tidak, model mediasi penuh telah terdemonstrasikan. Akan tetapi pada tugas akhir ini galat sebagai variabel mediator tidak berhubungan secara signifikan dengan variabel dependen (biaya dan kinerja pengiriman)
4. Memeriksa apakah variabel awal berhubungan secara signifikan dengan variabel dependen ketika mediator juga dimasukkan ke dalam persamaan. Selanjutnya penulis mengevaluasi efek mediasi yang mana diluar galat yang dapat ditemukan ketika faktor peran dan informasi dipertimbangkan. Untuk dua faktor langkah 1 dari prosedur Baron dan Kenny telah terverifikasi. Untuk menguji pengaruh variabel mediasi digunakan metode analisis jalur (path analysis). Analisis jalur digunakan untuk menentukan pola hubungan antara tiga atau lebih variabel. Hubungan variabel faktor peramalan dan biaya/kinerja pengiriman yang dimediasi oleh galat digambarkan dalam path analysis pada gambar 5.1. Dapat dilihat di gambar 5.1 bahwa faktor peramalan menjadi variabel independen, biaya/kinerja pengiriman menjadi variabel dependen, sementara galat menjadi variabel mediator. Koefisien ―a‖ dan ―b‖ menunjukkan efek tidak langsung dan koefisien c’ menunjukkan pengaruh langsung dari mediasi.
c’
Gambar 3.2 Path Analysis pengaruh variabel mediasi
Penulis kemudian melakukan Tes Sobel (1982) yang menunjukkan sebuah tes signifikansi untuk efek tidak langsung dari variabel independen pada variabel dependen melalui mediator. Tes Sobel membuktikan bahwa efek mediasi pada semua analisa regresi adalah tidak signifikan. Tes Sobel telah direpresentasikan oleh model 3 dari analisis hierarchical regression pada tabel 4.6, 4.7, 4.8. Model 3 tersebut digunakan untuk memverifikasi langkah 4 dari prosedur Baron dan Kenny. Pada data survei yang dilakukan GMRG, penulis dapat menyimpulkan bahwa setiap faktor peramalan mempunyai efek langsung dan hubungan positif terhadap kinerja operasional (biaya dan kinerja pengiriman) yang mana tidak termediasi oleh galat. Berdasarkan hasil ini dapat disimpulkan bahwa hipotesis H4, H5, dan H6 mendukung. 4.4.3 Hasil Uji Hipotesis Hasil uji hipotesis menunjukkan apakah hipotesis awal diterima atau tidak melalui perhitungan matematis menggunakan PHStat di Microsoft Excel. 1) H1 : Penggunaan teknik peramalan berhubungan negatif dengan galat. Hasil uji hipotesis menegaskan bahwa H0 diterima jika berada diantara -2.5758 dan 2.5758. Hasil didapatkan nilai z = -1.4224 yang berarti terletak dalam wilayah penerimaan H0. Serta nilai p lebih besar dari level signifikansi (p = 0.1549 > 0.01). Sehingga H1 diterima di Negara Jepang. Maka penggunaan teknik peramalan berhubungan negatif dengan galat. 2) H2 : Penggunaan beberapa sumber informasi berhubungan negatif dengan galat. Hasil uji hipotesis menegaskan bahwa H0 diterima jika berada diantara -2.5758 dan 2.5758. Hasil didapatkan nilai z = -1.2717 yang berarti terletak dalam wilayah penerimaan H0. Serta nilai p lebih besar dari level signifikansi (p = 0.2035 > 0.01). Sehingga H2 diterima di Negara Jepang. Maka penggunaan beberapa sumber informasi berhubungan negatif dengan galat.
JURNAL Sistem Informasi Vol. 1, No. 1, (2013) 1-6 3) H3 : Penggunaan pengambilan keputusan berbasis peramalan berhubungan negatif dengan kesalahan peramalan. Hasil uji hipotesis menegaskan bahwa H0 diterima jika berada diantara -2.5758 dan 2.5758. Hasil didapatkan nilai z = -1.3292 yang berarti terletak dalam wilayah penerimaan H0. Serta nilai p lebih besar dari level signifikansi (p = 0.1838 > 0.01). Sehingga H3 diterima di Negara Jepang. Maka pengambilan keputusan berbasis peramalan berhubungan negatif dengan galat. 4) H4 : Penggunaan teknik peramalan berhubungan positif secara langsung dengan biaya dan kinerja pengiriman. Hasil uji hipotesis menegaskan bahwa H0 diterima jika berada diantara -2.5758 dan 2.5758. Hasil didapatkan nilai z = -0.0250 pada biaya dan z = 0.3356 pada pengiriman yang berarti terletak dalam wilayah penerimaan H0. Serta nilai p lebih besar dari level signifikansi (p = 0.9800 > 0.01) pada biaya dan p = 0.7372 > 0.01 pada pengiriman. Sehingga H4 diterima di Negara Jepang. Maka penggunaan teknik peramalan berhubungan positif secara langsung dengan biaya dan kinerja pengiriman. 5) H5 : Penggunaan beberapa sumber informasi berhubungan positif secasa langsung dengan biaya dan kinerja pengiriman. Hasil uji hipotesis menegaskan bahwa H0 diterima jika berada diantara -2.5758 dan 2.5758. Hasil didapatkan nilai z = 0.0387 pada biaya dan z = 0.5608 pada pengiriman yang berarti terletak dalam wilayah penerimaan H0. Serta nilai p lebih besar dari level signifikansi (p = 0.9683 > 0.01) pada biaya dan p = 0.5749 > 0.01 pada pengiriman. Sehingga H5 diterima di Negara Jepang. Maka penggunaan beberapa sumber informasi berhubungan positif secara langsung dengan biaya dan kinerja pengiriman. 6) H6 : Penggunaan pengambilan keputusan berbasis peramalan berhubungan positif secara langsung dengan biaya dan kinerja pengiriman. Hasil uji hipotesis menegaskan bahwa H0 diterima jika berada diantara -2.5758 dan 2.5758. Hasil didapatkan nilai z = 1.5433 pada biaya dan z = 1.3738 pada pengiriman yang berarti terletak dalam wilayah penerimaan H0. Serta nilai p lebih besar dari level signifikansi (p = 0.1228 > 0.01) pada biaya dan p = 0.1695 > 0.01 pada pengiriman. Sehingga H6 diterima di Negara Hungary. Maka penggunaan pengambilan keputusan berbasis peramalan berhubungan positif secara langsung dengan biaya dan kinerja pengiriman.
5 IV. KESIMPULAN 4.1 Kesimpulan Kesimpulan yang didapatkan dari hasil evaluasi dampak faktor-faktor peramalan terhadap galat serta biaya dan kinerja pengiriman dengan data yang digunakan dalam tugas akhir ini, antara lain adalah : Dampak faktor-faktor peramalan terhadap galat. Hasil analisis menggunakan data dari Negara Jepang menunjukkan bahwa : a. Penggunaan teknik peramalan dalam sebuah proses peramalan tidak menjamin dapat mengurangi galat dari sebuah peramalan. b. Penggunaan beberapa sumber informasi pada proses peramalan tidak menjamin dapat mengurangi galat dari sebuah peramalan. c. Pengambilan keputusan pada proses peramalan tidak menjamin dapat mengurangi galat dari sebuah peramalan. Dampak faktor-faktor peramalan terhadap biaya dan kinerja pengiriman. Hasil analisis menggunakan data dari Negara Jepang yaitu : a. Penggunaan teknik peramalan dalam sebuah proses peramalan dapat meningkatkan kinerja biaya dan kinerja pengiriman tanpa adanya pengaruh dari akurasi peramalan. b. Penggunaan beberapa sumber informasi dalam sebuah proses peramalan dapat meningkatkan kinerja biaya dan kinerja pengiriman tanpa adanya pengaruh dari tingkat akurasi peramalan. c. Pengambilan keputusan dalam sebuah proses peramalan dapat meningkatkan kinerja biaya dan kinerja pengiriman tanpa adanya pengaruh dari tingkat akurasi peramalan. 4.2 Saran Saran yang dapat dipertimbangkan untuk pengembangan dan penelitian selanjutnya, antara lain : Penelitian di masa depan diharapkan dapat mencari kontribusi lebih lanjut dalam membuktikan hubungan dari teknik peramalan dengan galat dengan cara menginvestigasi teknik terpercaya yang lebih spesifik pada konteks perusahaan 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‖ UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada PT. Angkasa Pura II yang memberikan bantuan finansial kepada penulis selama masa studinya di Institut Teknologi Sepuluh Nopember melalui Beasiswa BUMN Peduli Pendidikan. DAFTAR PUSTAKA [1] Armstrong, J. Scott, 2012. Illusions in Regression Analysis, International Journal of Forecasting (forthcoming).
JURNAL Sistem Informasi Vol. 1, No. 1, (2013) 1-6 [2] Baron, R.M., Kenny, D.A., 1986. The moderator– mediator variable distinction in social psychological research: conceptual, strategic and statistical considerations. Journal of Personality and Social Psychology 51 (6), 1173–1182. [3] Cohen Jacob, Cohen Patricia, 1983. Applied multiple regression/correlation analysis for the behavioral sciences. L. Erbaum Associates. [4] Dergibson Siagian & Sugiarto. 2002. Metode Statistika untuk Bisnis dan Ekonomi. Jakarta : PT Gramedia Pustaka Utama [5] Faisal, Sanapioh. 1982. Metodologi Penelitian Pendidikan, Surabaya : Usaha Nasional. [6] Friedenberg, Lisa, 1995. Psychological Testing, Design, Analysis and Use, Allyn and Bacon. [7] Frohlich, M.T., Westbrook, R., 2002. Demand chain management in manufacturing and services: web-based integration, drivers and performance. Journal of Operations Management 20 (4), 729–745. [8] Gmrg.org [9] Guilford ,J.P., 1979. Psychometric Methods, Tata McGraw-Hill Publishing Company Limited. [10] Guilford, J.P. 1956. Fundamental Statistics in Psychology and Education. New York: McGraw Hill. 145. [11] 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. [12] MacKinnon, D. P.; Lockwood, C. M. 2003. Advances in statistical methods for substance abuse prevention research. Prevention Science (3). 155–171. [13] Mentzer, J.T., Bienstock, C., 1998. Sales Forecasting Management. Sage Publica- tions, London. [14] Moon, M.A., Mentzer, J.T., Smith, C.D., 2003. Conducting a sales forecasting audit. International Journal of Forecasting 19, 5–25. [15] Pamela Danese, Matteo Kalchschmidt, 2010. The Role of the forecasting process in improving forecast accuracy and operational performance, Elsevier. [16] Ronald E.Walpole. 1993. Pengantar Statistika. Jakarta : PT Gramedia Pustaka Utama. [17] Sanders, N.R., Manrodt, K.B., 2003. The efficacy of using judgmental versus quantitative forecasting methods in practice. Omega 31, 511–522. [18] Sobel, M.E., 1982. Asymptotic confidence intervals for indirect effects in structural equation models. Sociological Methodology 13 (1), 290–321. [19] 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. [20] 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.
6
