20
III.
METODE PENELITIAN
3.1. Kerangka Pemikiran Kerangka pemikiran dalam penelitian dapat dijadikan landasan dalam setiap tahap penelitian. Salah satu tujuan dari penelitian ini adalah mengetahui metode peramalan penjualan terbaik untuk setiap mobil yang dipasarkan oleh PT Honda Mandiri Bogor dalam rangka merencanakan strategi pemasaran.
Penelitian ini
dimulai dengan mengumpulkan data – data yang dibutuhkan, dimana data tersebut haruslah relevan. Adapun data yang dibutuhkan adalah data historis penjualan mobil di PT Honda Mandiri Bogor dalam kurun waktu 3 (tiga) tahun terakhir yaitu tahun 2009 sampai dengan 2011. Data ini akan diolah dan dianalisis selanjutnya akan dibuatkan plot pola data penjualan dan data tersebut akan diolah dengan menggunakan metode analisis time series dan metode analisis regresi. Setelah data penjualan dianalisis maka akan dilakukan uji kointegrasi pada data tersebut, sehingga akan diketahui apakah data tersebut stationer atau tidak. Setelah dilakukan uji kointegrasi maka akan mudah untuk menentukan metode peramalan yang akan digunakan, karena data penjualan ini bersifat stationer maka model yang dapat digunakan untuk analisis peramalan adalah Vector Autoregression atau VAR. Setelah dilakukan analisis VAR maka akan diperoleh hasil VAR, hasil tersebut akan menunjukan peramalan penjualan untuk produk sedan, city car, MPV dan SUV selama kurun waktu 6 (enam) bulan kedepan.
21
PT. HONDA MANDIRI BOGOR
Melihat hubungan antar produk untuk meramalkan penjualan yang digunakan guna menyusun perencanaan yang lebih akurat
Data Penjualan PT. Honda Mandiri Bogor Tahun 2009 – 2011
UJI KOINTEGRASI
STASIONER 1. 2. 3. 4. 5. 6.
TIDAK STASIONER
Uji Kausalitas Granger Uji lag optimum Hasil Estimasi VAR Uji Stabilitas Model Impulse Response FEVD
1. 2. 3. 4. 5. 6.
Uji Kausalitas Granger Uji lag optimum Model VECM Uji Stabilitas Model Impulse Respon FEVD
HASIL ANALISIS
IMPLIKASI MANAJERIAL Gambar 1. Kerangka pemikiran
22
3.2.
Lokasi dan Waktu Penelitian Penelitian ini dilakukan di sebuah pusat penjualan mobil yang hanya menjual
mobil dengan merek Honda yaitu PT. Honda Mandiri Bogor. Honda Mandiri Bogor (PT. Mandiri Prawira Raya Motor) yang berlokasi di Jl Raya Pajajaran No 27 Bogor. Penelitian ini dilakukan selama 3 (tiga) bulan yaitu dimulai dari bulan Januari sampai dengan bulan Maret 2012. 3.3.
Jenis dan Sumber Data Data dan informasi yang digunakan pada penelitian ini adalah data primer dan
data sekunder. Data primer diperoleh dengan melakukan proses wawancara dengan senior supervisor dari Honda Mandiri Bogor.
Sedangkan data sekunder yang
digunakan adalah laporan penjualan mobil di Honda Mandiri Bogor selama kurun waktu 3 (tiga) tahun terakhir, mulai dari tahun 2009 sampai dengan 2011. Jenis data yang akan digunakan dalam skripsi ini adalah data kuantitatif yaitu berupa laporan penjualan mobil, serta data kualitatif yaitu data yang berupa penjelasan serta keterangan dari Honda Mandiri Bogor. 3.4.
Pengolahan dan Analisis Data Data yang dikumpulkan kemudian diolah dan analisis, sehingga mampu
memberikan gambaran dan penjelasan terhadap permasalahan dalam penelitian ini. Pengolahan dan penganalisaan data diharapkan dapat menguraikan langkah – langkah strategis yang dapat dilakukan perusahaan untuk memasarkan dan menjual produk. Metode pengolahan dan analisis data yang digunakan dalam penelitian akan diuraikan secara kualitatif dan kuantitatif.
Analisis kualitatif digunakan untuk
mengetahui keunggulan kompetitif yang dimiliki. Pengolahan kualitatif juga akan menggambarkan keadaan umum perusahaan. Analisis kuantitatif digunakan untuk meramalkan penjualan mobil di Honda Mandiri Bogor selama 6 (enam) bulan kedepan yaitu semester pertama tahun 2012 dengan menggunakan analisis runtun waktu (time series).
Data penjualan kemudian ditabulasikan dengan bantuan
program computer Microsoft Excel dan Eviews 6.
23
3.4.1 Vector Autoregression (VAR) Model ekonometri yang sering digunakan dalam analisis makro ekonomi dinamik dan stokastik adalah Vector Autoregression (VAR). VAR merupakan suatu sistem persamaan yang memperlihatkan setiap variabel sebagai fungsi dari konstanta dan nilai lag (lampau) dari variabel itu sendiri serta nilai lag dari variabel yang lain yag ada dalam sistem. Variabel penjelas dalam VAR meliputi nilai lag seluruh variabel tak bebas dalam sistem VAR yang membutuhkan identifikasi retriksi untuk mencapai persamaan melalui interpretasi persamaan. VAR dengan ordo p dan n buah variabel tak bebas pada periode t dapat dimodelkan sebagai berikut:
Dimana : Vektor variabel tak bebas Vektor intersep berukuran Matriks parameter berukuran
Vektor residual Asumsi yang harus dipenuhi dalam analisis VAR adalah semua variabel tidak bersifat stasioner, semua sisaan bersifat white noise, yaitu memiliki rataan nol, ragam konstan dan diantara variabel tidak bebas tidak ada kolerasi. Uji stasioneritas data dapat dilakukan melalui pengujian terhadap ada tidaknya unit root dalam variabel dengan uji Augmented Dickey Fuller (ADF). Adanya unit root akan menghasilkan persamaan regresi yang spurious. Pendeteksian keberadaan kointegrasi ini dapat dilakukan dengan metode Johansen atau Engel – Granger. Jika variabel – variabel tidak terkointegrasi, maka dapat diterapkan VAR standar yang hasilnya akan identik dengan OLS, setelah memastikan variabel tesebut sudah stasioner pada derajat (ordo) yang sama. Jika pengujian membuktikan terdapat vektor kointegrasi, maka dapat diterapkan EMC untuk single equation atau VECM untuk system equation.
24
3.4.2 Uji Stasioneritas Data Salah satu konsep penting yang harus diingat dalam analisa menggunakan data time series adalah kondisi data yang stasioner atau tidak stasioner. Jika estimasi dilakukan dengan menggunakan data yang tidak stasioner maka akan memberikan hasil regresi yang palsu atau disebut sebagai spurious regression (Gujarati, 2003). Spurious regression Memiliki pengertian bahwa hasil regresi dari satu variabel time series pada satu atau beberapa variabel time series lainya cenderung untuk menghasilkan kesimpulan hasil estimasi yang bisa ditunjukan dengan karakteristik seperti memperoleh hasil
yang sangat tinggi (lebih besar dari 0,9) tetapi pada
kenyataannya hubungan antar variabel tersebut tidak memiliki arti atau meaningless. Gujarati juga mengatakan bahwa jika
(Dubin Watson statistik), maka
kondisi ini merupakan rule of thumb yang baik untuk menduga bahwa hasil estimasi tersebut kemungkinan besar merupakan nonsense/suporiousregression. Jika sebuah data time series merupakan data yang stasioner maka studi akan prilaku untuk data tersebut hanya dapat dilakukan untuk periode waktu tertentu (Gujarati, 2003). Atau dengan kata lain bahwa setiap bagian dari data time series tersebut merupakan bagian yang terpisah satu sama lain. Sebagai konsekuensi dari kondisi tersebut adalah tidak mungkin untuk melakukan estimasi secara generalisasi pada periode waktu yang berbeda – beda. Gujarati menyebutkan kondisi stochastic process dikatakan stasioner jika rata – rata dan variansnya konstan dalam beberapa periode waktu, dan dinilai dari kovarians antar dua waktu yang berbeda tergantung dari lag antara dua periode waktu yang tidak tergantung pada waktu aktual pada saat kovarians dihitung. Bisa juga dikatakan sebagai data time series yang stasioner jika rata – rata varians dan otokovariansnya dalam berbagai jumlah lag menunjukan kesamaan saat diukur pada berbagai titik pengukuran. Ada beberapa metode yang dapat digunakan untuk menguji stasioneritas. Dua metode yang paling umum digunakan adalah dengan menggunakan metode pengujian augmented Dickey – Fuller dimana ditambahkan lag pada variabel. Sedangkan metode pengujian Philip – Peron menggunakan metode statistik non – parametrik sehingga
untuk
mengatasi permasalahan serial korelasi tanpa
menambahkan lag. Pengujian Philip – Peron, maka root yang menunjukan kondisi tidak stasioner.
adalah mengandung unit
25
Bentuk persamaan uji stasioneritas tersebut dapat dituliskan sebagai berikut: ………….…………. (2) Dimana : = Bentuk dari first different = Intersept Y
= Variabel yang diuji stasioneritasnya
P
= Panjang lag yang digunakan dalam model = Error term
3.4.3 Uji Kausalitas Granger (Granger Causality) Uji kausalitas granger digunakan untuk mengevaluasi kemampuan peramalan dari satu peubah deret waktu pada periode sebelumnya terhadap peubah deret waktu lainnya pada periode saat ini. Hipotesis nol yang 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 nilai probabilitasnya yang dibandingkan dengan tingkat kepercayaan, pada penelitian ini menggunakan nilai kritis 5 persen. Jika nilai probabilitasnya lebih besar dari 5 persen maka hipotesis nol ditolak yang artinya terdapat hubungan kausalitas pada variabel-variabel yang diuji. 3.4.4 Uji Lag Optimum Uji lag digunakan untuk menentukan panjang lag optimum yang akan digunakan untuk analisis selanjutnya. Uji lag optimum merupakan langkah penting yang harus dilakukan dalam menggunakan model VECM. Untuk langkah awal dalam pengujian ini terlebih dahulu adalah membentuk persamaan VAR untuk mendapatkan lag optimum dan stabilitas VAR baru dapat dibentuk persamaan VECM nya. Informasi kriteria untuk menentukan panjang lag yang tepat adalah dengan menggunakan pemilihan kriteria model Final Prediction Error (FPE), Akaike Information Criteria (AIC), Schwarz Criteria (SC), dan Hannan-Quinn (HQ). Pada pengujian pemilihan lag melalui kriteria tersebut, akan didapat kandidat lag pada masing-masing kriteria yang merujuk pada lag optimal. Pada Eviews 6 memberikan tanda bintang pada nilai AIC dan SC terkecil.
26
Salah satu metode yang paling umum digunakan untuk menentukan panjang lag adalah dengan melihat AIC nya. Rumus AIC adalah (Gujarati, 2004):
AIC = T Log |
| + 2n..................(3)
Dimana: T
| n
= jumlah observasi yang digunakan
| = determinan dari matriks raga/koragam dari sisaan = jumlah parameter yang diestimasi dalam semua persamaan
3.4.5 Uji Kointegrasi Salah satu asumsi yang harus dipenuhi dalam VAR adalah semua peubah tak bebas bersifat stasioner (Enders, 2004). Bila data tidak stasioner, maka perlu dilakukan uji kointegrasi. Langkah uji kointegrasi dengan mengaplikasikan metode Johansen, yang terdiri dari beberapa tahap, yaitu: 1.
Menguji ordo integrasi semua variabel. Data perlu diplotkan untuk mengamati ada tidaknya trend yang linear. Disarankan tidak mencampur variabel dengan ordo yang berbeda.
2.
Mengestimasi model dan menetapkan kondisi model. Kondisi model dapat dilakukan dalam tiga bentuk berikut:
3.
a.
Semua elemen konstanta sama dengan nol (
=0)
b.
Nilai
ditetapkan
c.
Nilai
merupakan konstanta pada vektor kointegrasi
Menganalisis untuk mendapatkan vektor kointegrasi yang dinormalkan dan koefisien penyesuaian.
4.
Menghitung faktor koreksi galat untuk membantu mengidentifikasi model struktural. Pada Eviews 6 suatu persamaan dikategorikan berkointegrasi apabila nilai
trace statistic ataupun nilai maximum eigenvalue-nya lebih besar dari nilai kritis 5 persen. Dari uji kointegrasi dapat ditentukan jumlah persamaan yang tepat untuk mengestimasi VECM.
27
Untuk menguji batasan kointegrasi, johansen mendefinisikan dua buah matriks α dan β dimensi (nxr) dimana r merupakan peringkat dari
, sehingga:
= α β....................(4) Dimana: α = matriks bobot dari setiap vektor kointegrasi yang ada didalam n persamaan VAR. α juga dapat dikatakan sebagai matriks parameter speed of adjusment (Enders, 2004) β = matriks parameter kointegrasi Hipotesis dari metode Johansen adalah sebagai berikut (Enders, 2004): :r=0
:0
:r=0
:0
:r=0
:0
...
...
: r = g-1
:r=g
Pengujian pertama menyebutkan hipotesis nol dengan tidak adanya vektor kointegrasi. Jika hipotesis ini gagal ditolak, dapat disimpulkan bahwa tidak ada vektor kointegrasi dan pengujian telah diselesaikan. Namun jika hipotesis tersebut ditolak, maka pengujian akan dilakukan terus menerus dan begitu seterusnya sampai nilai dari r akan meningkat sampai hipotesis tersebut gagal ditolak. 3.4.6 Estimasi VECM Vector Error Correction Model (VECM) adalah suatu metode khusus dari VAR yang berguna untuk melihat hubungan keseimbangan dalam jangka panjang dari persamaan-persamaan yang terkointegrasi. Caranya adalah dengan merestriksi beberapa variabel dari suatu persamaan. Jika variabel yang digunakan sudah terkointegrasi, maka terdapat keseimbangan dalam jangka panjang dari variabelvariabel
tersebut,
ketidakseimbangan.
tentu
saja
dalam
hubungan
jangka
pendek
terjadi
Dengan kata lain, metode ini adalah cara untuk melihat
pengaruh suatu variabel lainnya dalam jangka panjang. VECM didesain untuk digunakan pada data yang non-stasioner dan terintegrasi (Enders, 2004). Model VECM lag p rank kointegrasi r adalah:
28
∆
+π
=
+
dengan ∆
=
=[ -
* ∆
+
.................(5)
]’, ................(6) ......................(7)
π = αβ’ β = vektor kointegrasi berukuran r x 1 α = vektor adjustment berukuran r x 1
*=-
,
adalah matriks koefisien berukuran 2 x 2
3.4.7 Uji Stabilitas Model Uji stabilitas digunakan untuk melihat apakah model yang digunakan stabil atau tidak. Estimasi harus mempunyai validitas yang tinggi sehingga hasil nya dapat dipercaya. Hasil tersebut dapat dipercaya apabila model yang digunakan mempunyai stabilitas. Jika model VAR yang digunakan tidak stabil, maka hasil estimasi dengan menggunakan model VAR tidak memiliki tingkat validitas yang tinggi. Stabilitas dapat diartikan hasil estimasinya mendekati nol jika model diperpanjang periode waktunya. Sebuah model dikatakan memilik validitas yang tinggi jika inverse akar karakteristiknya mempunyai modulus kurang dari satu atau semuanya berada didalam lingkaran. Jika modulus nya kurang dari satu atau berada dalam lingkaran, maka model cukup stabil. Namun sebaliknya, jika modulus bernilai satu atau lebih dari satu, atau modulus kebanyakan berada diluar lingkaran maka dapat dipastikan bahwa model tersebut kurang stabil. Jika VAR tersebut memiliki tingkat stabilitas yang rendah atau semua inverse akar karakteristiknya berada diluar unit circle, maka hasil dari estimasi model VAR tersebut meragukan. 3.4.8 Impulse Respons Function Impuls respon dapat diartikan suatu respon dari suatu peubah endogen ketika peubah endogen yang lain di shock atau di impuls.
Impuls respon 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 langsung mempengaruhi variabel tersebut dan juga di
29
teruskan pada variabel endogen lainnya melalui struktur yang dinamis (Enders, 2004). 3.4.9 Forecast Error Decomposition Variance (FEDV) Forecast Error Variance of Decomposition (FEVD) atau analisis dekomposisi ragam kesalahan peramalan digunakan untuk melihat kontribusi keragaman suatu peubah endogen terhadap goncangan peubah endogen lain untuk beberapa waktu kedepan (Enders, 2004). Jika koefisien variabilitas
diketahui dan
ingin diramalkan, sedangkan kondisi yang di observasi adalah
maka variabilitas suatu periode adalah ekspektasi dari
dan
adalah
=
= +
.
+
+
,
, dan kondisi
