4
II.
TINJAUAN PUSTAKA
2.1. Tipe – Tipe Mobil Mobil dapat dikategorikan secara luas ke dalam berbagai jenis berdasarkan bentuk, ukuran, spesifik mekanik, dan kinerja. Merek mobil yang dijual di Indonesia sangat banyak dan beragam jenisnya. Oleh karena itu penting bagi seseorang untuk menentukanmobil apa yang sebenarnya diperlukan. Berikut adalah jenis daftar jenis – jenis mobil menurut Hilmy (2012). 2.1.1 Sedan Sedan adalah sebuah jenis mobil penumpang dengan 3 macam konfigurasi dengan Pilar A, B, dan C. Bagian untuk penumpang terdiri dari 2 baris tempat duduk dengan kapasitas sampai dengan 7 orang. Untuk barang biasanya diletakkan di belakang, kecuali untuk beberapa mobil yang mesinnya diletakkan di belakang 2.1.2 City Car City Car (atau yang dikenal juga sebagai mobil perkotaan atau mobil mini) adalah mobil dengan dimensi yang kecil, yang digunakan pada kawasan perkotaan. Hampir semua industri otomotif memiliki satu atau dua model city car yang dipasarkan diseluruh dunia. 2.1.3 Multi Purpose Vehicle (MPV) MPV (Multi Purpose Vehicle) juga biasa disebut sebaga Minivan, merupakan mobil dengan daya angkut sebuah van tapi memiliki kenyamanan dan handling mendekati sedan atau station wagon, serta didesain untuk memiliki interior maksimum. Prioritas utama konsep MPV adalah daya angkut Penumpangnya. 2.1.4 Sport Utility Vehicle (SUV) SUV (Sport Utility Vehicle) adalah gabungan sedan atau station wagon dengan jip. Prioritas pengembangannya adalah kemampuan menembus berbagai medan, termasuk medan off – road. Karena itu awalnya SUV memiliki penggerak empat roda. Dalam perkembangannya, ada juga SUV yang lebih condong ke sedan
5
dan berpenggerak dua roda. Belakangan SUV juga dikembangkan untuk memiliki daya angkut penumpang maksimal, misalnya SUV 7 – seater. 2.2. Kointegrasi Regresi dari dua variabel yang non-stasioner akan menyebabkan terjadinya spurios regression sehingga proses diferensiasi harus terlebih dahulu dilakukan (Engle dan Granger, 1987). Regresi spurious atau disebut dengan hasil regresi palsu yaitu suatu persamaan regresi yang didapatkan akibat variabel dependen dan variabel independen yang digunakan untuk membentuk regresi tidak stasioner dan atau pembentukan variabelnya tidak berkorelasi secara subtansi (Gujarati, 2003). 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 pentingnya proses kointegrasi dimana konsep ini membantu memberikan informasi mengenai hubungan jangka panjang yang ada dengan menggunakan time series non-stasioner. Data deret waktu dapat dibedakan menjadi data deret waktu yang bersifat stasioner dan tidak stasioner. Data stasioner memiliki nilai rata-rata dan variansi yang relatif konstan dari waktu ke waktu, sedangkan data yang tidak stasioner relatif bervariansi dari waktu ke waktu (Aritonang, 2002). Data time series dapat juga dibedakan menjadi empat komponen, yaitu trend, musim, siklus, dan variasi acak atau random variation. 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
koefisiennya menjadi satu.
vektor
kointegrasi dengan
menetapkan
6
2.
Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua variabel yang terintegrasi pada orde yang sama terkointegrasi.
3.
Bila vektor
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, variabel – variabel non – stasioner yang terintegrasi pada orde yang sama dan terkointegrasi akan menjadi stasioner dalam jangka panjang (Enders, 2004). 2.3. 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 permasalahan.
7
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 suatu variabel ekonomi dalam sebuah sistem ekonomi dimana terjadi saling ketergantungan antar variabel dalam ekonomi. 2.4. 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 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).
8
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. 2.5. Impulse Response Function (IRF) Impuls response function merupakan suatu cara pengujian struktur dinamis dari sistem variabel dalam model yang diamati dan dicerminkan oleh variabel inovasi (Enders, 2004). IRF menunjukkan respon dari setiap variabel endogen sepanjang waktu terhadap kejutan (shock) dari variabel itu 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 sebuah variabel independen 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 faktorisasi 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 berdasarkan nilai matriks korelasi yang menyatakan tingkat korelasi paling besar. Selain itu, IRF juga digunakan untuk mengetahui berapa lama pengaruh shock dari satu variabel terhadap variabel lainnya. 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. 2.6. Forecast Error Variance Decomposition (FEVD) Forecast Error Decomposition of variance (FEVD) dapat memberikan informasi mengenai variabel inovasi yang relatif lebih penting dalam VAR. Metode
9
ini 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 juga dapat dilihat kekuatan dan kelemahan dari masing – masing variabel dalam mempengaruhi variabel lainnya pada kurun waktu yang panjang (how long/ how persistent). Forecast Error Decomposition of variance merinci varian dari error peramalan (forecast) menjadi komponen – komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Melalui perhitungan persentase squared prediction error k, tahap awal 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 dilakukan 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. 2.7. Pengertian Strategi Definisi strategi menurut Bittel dalam Alma (2009) bahwa strategi ” is a fundamental plan of action taht is intended to accomplish the company’s objective” artinya strategi ialah suatu rencana yang fundamental untuk mencapai tujuan perusahaan. Andrews dalam Alma (2007) menyatakan bahwa strategi perusahaan adalah pola keputusan dalam perusahaan yang menentukan dan mengungkapkan sasaran, maksud atau tujuan yang menghasilkan kebijaksanaan utama dan merencanakan untuk pencapaian tujuan serta merinci jangkauan bisnis yang akan dikejar oleh perusahaan. 2.8. Konsep Penjualan Menurut Kotler (2005) konsep penjualan merupakan orientasi bisnis lainnya. Konsep penjualan berkeyakinan bahwa para konsumen dan perusahaan bisnis jika
10
dibiarkan tidak akan secara teratur membeli cukup banyak produk yang ditawarkan oleh organisasi tertentu. Oleh karena itu, organisasi tersebut harus melakukan usaha penjualan dan promosi yang agresif.
Konsep itu mengasumsikan bahwa para
konsumen umumnya menunjukan keengganan atau penolakan untuk membeli sehingga harus dibujuk supaya membeli. Konsep itu juga mengasumsikan bahwa perusahaan memiliki banyak sekali alat penjualan dan promosi yang efektif yang dapat merangsang lebih banyak pembeli. Kebanyakan perusahaan mempraktekan konsep penjualan ketika mereka mempunyai kapasitas yang berlebih.
Tujuan mereka adalah menjual apa yang
mereka hasilkan dan bukannya menghasilkan apa yang diinginkan pasar. Dalam perekonomian industry modern, kapasitas produktif telah dibangun dengan anggapan bahwa kebanyakan pasar merupakan pasar pembeli (pembelinya dominan) sehingga penjual harus berjuang untuk mendapatkan pelanggan. Para calon pembeli dihujani dengan iklan TV, iklan surat kabar, surat langsung dan telepon penjualan. Pada tiap kesempatan dimana saja, seseorang berusaha untuk mejual sesuatu.
Akibatnya,
publik sering mengidentifikasikan pemasaran sebagai penjualan dan periklanan yang keras (Kotler, 2005). 2.8.1 Faktor yang mempengaruhi Penjualan Suatu kegiatan penjualan dapat dipengaruhi oleh beberapa hal yaitu (Swastha, 2000) : 1. Kondisi dan Kemampuan penjual Penjual harus dapat meyakinkan kepada pembelinya agar dapat berhasil mencapai sasaran penjualan yang diharapkan. Penjual harus memahami jenis karakteristik produk yang ditawarkan, harga produk, dan syarat penjualan seperti pembayaran, penghantaran, pelayanan purna jual dan garansi. 2. Kondisi Pasar Pasar sebagai kelompok pembeli atau pihak yang menjadi sasaran dalam penjualan. Faktor-faktor kondisi pasar yang perlu diperhatikan adalah jenis pasar, kelompok pembeli, segmen pasar, daya beli, frekuensi pembelian, keinginan dan kebutuhannya.
11
3. Modal Penjual
harus
memperkenalkan
dulu
atau
membawa
produknya
kepadapembeli, diperlukan adanya sarana serta usaha seperti alat transport, tempat peragaan baik dalam perusahaan maupun di luar perusahaan, usaha promosi dan lain-lain, dimana semuanya itu disebut dengan modal. 4. Kondisi organisasi perusahaan Pada perusahaan kecil, jumlah tenaga kerjanya lebih sedikit, sistem organisasinya lebih sederhana, masalah-masalah yang dihadapi serta sarana yang dimilikinya tidak sekompleks perusahaan besar. Masalah penjualan ditangani sendiri oleh pimpinan dan tidak diberikan pada orang lain. 5. Faktor lain Faktor-faktor lain umumnya seperti periklanan, peragaan, kampanye, pemberian hadiah sering mempengaruhi penjualan. 2.8.2 Tahapan Keputusan Pembelian Menurut Menurut philip kotler (2003) proses pengambilan keputusan pembelian pada konsumen di bagi menjadi lima tahapan yaitu: 1.
Pengenalan Masalah Proses pembelian dimulai ketika pembeli mengenali masalah atau kebutuhan. Kebutuhan tersebut dapat dicetuskan oleh rangsangan internal atau eksternal.
Pada tahap ini pemasar perlu melakukan identifikasi
keadaan yang dapat memicu timbulnya kebutuhan konsumen. pemasar
dapat
melakukan
penelitian
pada
konsumen
Para untuk
mengidentifikasi rangsangan yang paling sering membangkitkan minat mereka terhadap suatu produk. 2.
Pencarian Informasi Konsumen yang terangsang kebutuhannya akan terdorong untuk mencari informasi yang lebih banyak. Dalam tahap ini, pencarian informasi yang dilakukan oleh konsumen dapat dibagi ke dalam dua level, yaitu situasi pencarian informasi yang lebih ringan dinamakan dengan penguatan informasi. Pada level ini orang akan mencari serangkaian informasi tentang sebuah produk.
Pada level kedua, konsumen mungkin akan
mungkin masuk kedalam tahap pencarian informasi secara aktif. Mereka
12
akan mencari informasi melalui bahan bacaan, pengalaman orang lain, dan mengunjungi toko untuk mempelajari produk tertentu. 3.
Evaluasi alternatif Dalam tahapan selanjutnya, setelah mengumpulkan informasi sebuah merek, konsumen akan melakukan evaluasi alternatif terhadap beberapa merek yang menghasilkan produk yang sama. Pada tahap ini ada tiga buah konsep dasar yang dapat membantu pemasar dalam memahami proses evaluasi konsumen. Pertama, konsumen akan berusaha memenuhi kebutuhannya.
Kedua, konsumen akan mencari manfaat tertentu dari
solusi produk.
Ketiga, konsumen akan memandang masing-masing
produk sebagai sekumpulan atribut dengan kemampuan yang berbedabeda dalam memberikan manfaat yang digunakan dan untuk memuaskan kebutuhan itu. Atribut yang diminati oleh pembeli dapat berbeda-beda tergantung pada jenis produknya, contohnya, konsumen akan mengamati perbedaan atribut sperti ketajaman gambar, kecepatan kamera, ukuran kamera dan harga yang terdapat pada sebuah kamera. 4.
Keputusan Pembelian Dalam melakukan evaluasi alternatif, konsumen akan mengembangkan sebuah keyakinan atas merek dan tentang posisi tiap merek berdasarkan masing-masing atribut yang berujung pada pembentukan citra merek. Selain itu, pada tahap evaluasi alternatif konsumen juga membentuk sebuah preferensi atas merek-merek yang ada dalam kumpulan pribadi dan konsumen juga akan membentuk niat untuk membeli merek yang paling di sukai dan berujung pada keputusan pembelian.
Pada tahapan keputusan pembelian, konsumen dipengaruhi oleh dua faktor utama yang terdapat diantara niat pembelian dan keputusan pembelian yaitu: 1. Sikap orang lain, yaitu sejauh mana sikap orang lain mengurangi alternatif yang disukai seseorang akan bergantung pada dua hal. Pertama, intensitas sikap negatif orang lain terhadap alternatif yang disukai calon konsumen. Kedua, motivasi konsumen untuk menuruti keinginan orang lain (Fisbhein, dalam Kotler 2003. Semakin gencar sikap negatif orang lain dan semakin dekat orang lain tersebut dengan konsumen, maka konsumen akan semakin
13
mengubah niat pembeliannya. Keadaan preferensi sebaliknya juga berlaku, preferensi pembeli terhadap merek tertentu akan meningkat jika orang yang ia sukai juga sangat menyukai merek yang sama. 2. Faktor yang kedua adalah faktor situasi yang tidak terantisipasi yang dapat mengurangi niat pembelian konsumen. Contohnya, konsumen mungkin akan kehilangan niat pembeliannya ketika kehilangan pekerjaannya atau adanya kebutuhan yang lebih mendesak pada saat yang tidak terduga sebelumnya. 2.9. Teori Peramalan Menurut Heizer dan Render (2006), peramalan (forecasting) adalah seni dan ilmu untuk memperkirakan kejadian dimasa depan. Hal ini dapat dilakukan dengan melibatkan pengambilan data masa lalu dan mendapatkannya ke masa yang akan datang dengan suatu bentuk model matematis. Bisa juga merupakan prediksi intuisi yang bersifat subjektif atau bisa juga dengan menggunakan kombinasi model matematis yang sesuai dengan pertimbangan yang baik dari seorang manajer. Menurut Hanke (2003), tebakan ilmiah mengenai masa depan lebih bernilai bagi perusahaan di bandingkan dengan tebakan non – ilmiah. Tebakan ilmiah yaitu peramalan yang berdasarkan metode – metode manipulasi data secara logis yang dihasilkan dari kejadian – kejadian masa lalu. 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 masa waktu yang akan datang.
Hasil
pengolahan data masa lalu akan menjadi tolak ukur perusahaan untuk membuat perencanaan langkah yang akan diambil oleh perusahaan. Tujuan peramalan adalah mengurangi rentang ketidakpastian dimana pendapat pribadi (judgment) manajemen yang harus diambil. Tujuan ini mengarah kepada dua aturan utama yang harus diperhatikan pada proses peramalan: 1.
Peramalan harus secara teknik benar dan menghasilkan peramalan cukup akurat dalam memenuhi kebutuhan perusahaan.
2.
Prosedur peramalan dan hasilnya harus secara efektif disajikan kepada manajemen sehingga peramalan dapat dipakai dalam proses pengambilan keputusan demi keuntungan perusahaan dan hasilnya juga harus dijustifikasi berbasis biaya manfaat.
14
Pertimbangan yang terakhir seringkali disalah – artikan dan dapat membuat frustasi forecaster (peramal) profesional. Namun jika ramalan akan digunakan untuk keuntungan perusahaan, maka mereka yang mempunyai wewenang harus memanfaatkannya. Makridarkis (dalam Wisastri, 2006), menyatakan bahwa terdapat beberapa faktor penting yang harus dipertimbangkan dalam peramalan, mencakup: 1.
Jarak ke masa depan yang harus diramal.
2.
Tenggang waktu yang tersedia untuk mengambil keputusan.
3.
Tingkat akurasi yang diperlukan.
4.
Kualitas data yang tersedia untuk analisis.
5.
Sifat hubungan yang tercangkup dalam masalah peramalan.
6.
Biaya dan keuntungan yang berkaitan dengan masalah peramalan.
2.10. Peramalan Penjualan Menurut Assauri (2009), peramalan penjualan merupakan kegiatan penyusunan ramalan tentang sifat atau ciri penjualan dari suatu produk yang dihasilkan oleh suatu perusahaan (termasuk jumlah, kualitas serta harga dari produk tersebut) pad suatu waktu tertentu di masa yang akan datang. Peramalan penjualan berarti suatu proses memperkirakan secara sistematik tentang penjualan yang paling mungkin terjadi pada masa yang akan datang berdasarkan data penjualan masa lalu dan sekarang yang dimiliki.
Hasil penjualan sebelumnya digunakan sebagai titik awal dalam
penyusunan ramalan penjualan. Peramalan menjadi salah satu hal hyang penting dalam pengambilan keputusan manajemen. Hal ini dikarenakan keefektifan sebuah keputusan tergantung dalam deret kejadian – kejadian yang diakibatkan keputusan tersebut. Salah satu peramalan yang penting dan sering dilakukan perusahaan adalah peramalan penjualan (Pierce dan Robinson, 1997). 2.11. Tahapan Peramalan Menurut Hanke (2003), semua prosedur formal peramalan melibatkan penarikan pengalaman masa lalu kedalam ketidak pastian masa depan. Jadi, semua prosedur menggunakan asumsi bahwa kondisi dimana hasil dari data masa lalu tidak
15
berbeda dengan kondisi masa depan, kecuali pada variabel – variabel yang secara eksplisit dikenali oleh model peramalan. Pengenalan terhadap operasi teknik peramalan pada data menghasilkan kejadian historis mengarah ke identifikasi 5 (lima) tahapan proses peramalan sebagai berikut: 1.
Pengumpulan data
2.
Pemadatan atau pengurangan data
3.
Penyusunan model dan evaluasi
4.
Ekstrapolasi model (peramalan aktual)
5.
Evaluasi peramalan
Tahap 1, pengumpulan data, menyarankan pentingnya perolehan data yang sesuai dan meyakinkan peramalannya.
Tahap ini sering kali merupakan bagian
paling menantang dari keseluruhan proses peramalan dan paling sulit untuk dimonitor karena serangkaian tahapan dapat dilakukan pada data dalam menentukan kesesuaiannya dengan masalah. Koreksi dan masalah pengendalian mutu biasanya dipenuhi kalau diperlakukan untuk mendapatkan data terkait didalam suatu organisasi. Tahap 2, pemadatan dan pengurangan data, seringkali diperlukan karena mungkin saja terjadi kelebihan data dalam proses peramalan atau sebaliknya terlalu sedikit. Beberapa data mungkin tidak relevan dengan masalah dan dapat mengurangi keakuratan peramalan. Tahap 3, penyusunan dan evaluasi model, meliputi pencocokan data terkumpul kedalam model yang sesuai dalam hal meminimalisasi kesalahan peramalan. Model yang lebih sederhana, lebih baik keadaannya dalam hal diterimanya proses peramalan oleh manajer yang harus membuat keputusan perusahaan. Seringkali harus diseimbangkan antara pendekatan peramalan canggih yang hasilnya sedikit lebih akurat dengan pendekatan sederhana yang lebih mudah dipahami serta mendapatkan dukungan dan tentunya secara aktif digunakan oleh pengambil keputusan perusahaan.
Jelasnya, pendapat pribadi dilibatkan dalam, proses
pemilihan. Tahap 4, ekstrapolasi model (peramalan aktual), terdiri dari model peramalan aktual yang dihasilkan begitu data yang sesuai telah terkumpul dan kemungkinan
16
dikurangi dan model peramalan yang sesuai juga sudah dipilih.
Seringkali
peramalan untuk periode yang baru lewat dibandingkan dengan nilai historis aktual telah diketahui digunakan untuk memeriksa keakuratan proses peramalan. Tahap 5, evaluasi peramalan, melibatkan membandingkan nilai peramalan dengan nilai historis aktual. Dalam proses ini beberapa nilai data terkini kemudian diambil dari himpunan data yang sedang dianalisa. Setelah model peramalan selesai, peramalan dilakukan untuk beberapa periode tersebut dan dibandingkan dengan nilai – nilai historis yang diketahui. Beberapa prosedur peramalan menjumlahkan nilai absolute dari kesalahan dan hasil penjumlahannya dilaporkan, atau dibagi dengan jumlah perlakuan peramalan sehingga menghasilkan rata – rata kesalahan peramalan. 2.12. Pendekatan dalam Peramalan Menurut Heizer dan Render (2006), terdapat pendekatan umum peramalan, yaitu analisis kuantitatif dan analisis kualitatif. Peramalan kuantitatif (quantitative forecast) menggunakan model otomatis yang beragam dengan data masa lalu dan variabel sebab akibat untuk meramalkan permintaan.
Peramalan subjektif atau
kualitatif (qualitative forecast) menggabungkan faktor seperti intuis, emosi, pengalaman pribadi, dan sistem nilai pengambil keputusan untuk meramal. 2.12.1 Metode Peramalan Kualitatif Terdapat 4 (empat) teknik peramalan yang berbeda: 1.
Keputusan dari pendapat juri eksekutif (jury of executive opinion). Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tinggi, sering dikombinasikan dengan model statistik, dikumpulkan untuk mendapatkan prediksi permintaan kelompok.
2.
Metode Delphi (Delphi method). Ada 3 (tiga) jenis peserta dalam metode Delphi pengambil keputusan, karyawan, dan responden.
Pengambilan
keputusan biasanya terdiri dari 5 (lima) sampai 10 (sepuluh) orang pakar yang akan melakukan peramalan.
Karyawan membantu pengambilan keputusan
dengan menyiapkan, menyebarkan, mengumpulkan, serta meringkas sejumlah kuesioner dan hasil survey.
Responden adalah sekelompok orang yang
biasanya ditempatkan di tempat yang berbeda, di mana penilaian dilakukan.
17
Kelompok ini memberikan input pada pengambilan keputusan sebelum peramalan dibuat. 3.
Gabungan dari tenaga penjual (sales force composite). Dalam pendekatan ini, setiap tenaga penjualan memperkirakan berapa penjualan yang bisa dilakukan dalam wilayahnya. Peramalan ini kemudian dikaji untuk memastikan apakah peramalan cukup realistis. Kemudian peramalan dikombinasikan pada tingkat wilayah dan nasional untuk mendapatkan peramalan secara keseluruhan.
4.
Survey pasar konsumen (costumer market survey). Metode ini meminta input dari konsumen mengenai rencana pembelian mereka dimasa depan. Hal ini membantu tidak hanya dalam menyiapkan peramalan tetapi juga memperbaiki desain produk dan perencanaan produk baru.
2.12.2 Metode Peramalan Kuantitatif Peramalan kuantitatif menggunakan model matematik yang beragam dengan data masa lalu dan peubah sebab – akibat untuk meramalkan permintaan. Metode peramalan kuantitatif memerlukan data historis atau data empiris, mutu data dan pemilihan metode yang cocok akan menentukan kualitas hasil peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat 3 (tiga) kondisi (Makridarkis dalam Wisastri, 2006) berikut: 1. Terdapat informasi masa lalu. 2. Informasi tersebut bisa dikuantitatifkan dalam bentuk data numerik. 3. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut dimasa mendatang. Dua asumsi pertama merupakan syarat keharusan bagi penerapan metode peramalan kuantitatif.
Sedangkan asumsi ketiga merupakan syarat kecukupan,
artinya walaupun asumsi ketiga dilanggar, model yang dirumuskan masih dapat dipergunakan. Karena hal ini akan memberikan kesalahan peramalan yang relatif besar, bila perubahan data ataupun bentuk hubungan fungsional tersebut terjadi secara sistematis. Berdasarkan data masa lalu, metode peramalan kuantitatif dibagi menjadi 2 (dua) bagian, yaitu metode deret waktu (time series), yaitu model yang membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu, dengan menggunakan data masa lalu dapat melakukan peramalan. Dalam metode deret
18
waktu peramal hanya berusaha mencari pola – pola dari data suatu data, tanpa berusaha mencari apa penyebab dan mengapa polanya demikian. Bisa jadi pola data masa lalu tidak sama lagi dengan masa depan, karena faktor – faktor yang mempengaruhinya sudah berubah.
Metode peramalan kedua adalah metode
peramalan associative atau metode peramalan kausal (metode peramalan eksplanatori), yaitu metode peramalan yang menggabungkan peubah atau faktor yang mungkin mempengaruhi permintaan atas suatu produk (peubah bebas) terhadap permintaan suatu produk (peubah tidak bebas). Peramalan kuantitatif juga memiliki keterbatasan, jika terjadi perubahan pola data atau hubungan sebab akibat, maka hasil ramalan menjadi kurang akurat (Heizer dan Render, 2006). 2.13. Penelitian Terdahulu Asri (2008) melakukan penelitian mengenai Analisis Peramalan Penjualan matrix blackberry PT Indosat, TBK dalam rangka perencanaan strategi pemasaran. Pada penelitian ini data yang digunakan merupakan data penjualan per bulan, dari bulan Desember 2005 sampai bulan Desember 2007 secara nationwide dan data penjualan perbualn Matrix Blackberry per wilayah penjualan (Jabotabek dan Banten, Sumatera bagian utara, Sumatera bagian selatan, Jawa Barat, JawaTengah dan DIY, Jawa Timur, dan Bali Nusa Tenggara, Kalimantan, Sulawesi, Maluku dan Papua) dari bulan Januari sampai Bulan Desember 2007 diolah dengan metode peramalan time series dan regresi. Berdasarkan hasil pengolahan data tersebut diperolah hasil bahwa pola data penjualan matrix blackberry merupakan trend yang terus meningkat, pola trend pada data penjualan blackberry menunjukkan peningkatan yang berkelanjutan. Sedangkan dari data penjualan dan hasil peramalan diketahui bahwa penjualan matrix blackberry paling tinggi adalah wilayah Jabotabek dan Banten, penjualan paling rendah berada di wilayah Kalimantan, hal ini memang dilatarbekakangi oleh letak geografis dan ekonomis setiap wilayah serta karakteristik masyarakatnya. Fikriansyah (2011) melakukan penelitian mengenai Analisis Peramalan Penjualan di Auto 2000 Bogor dalam rangka meramalkan atau mengetahui tingkat penjualan Auto 2000 pada akhir tahun 2011 serta merencanakan strategi penjualannya. Pada penelitian ini data yang digunakan merupakan data penjualan per – bulan, dari bulan Januari 2005 sampai dengan bulan Desember 2010 secara
19
regional wilayah penjualan (Auto 2000 Siliwangi) yang diolah dengan menggunakan metode time series dan regresi.
Berdasarkan hasil pengolahan data tersebut
diperoleh hasil bahwa pola data penjualan mobil di Auto 2000 Siliwangi ada yang meningkat dan juga ada yang turun.
Sedangkan dari data penjualan dan hasil
peramalan diketahui bahwa penjualan mobil di Auto 2000 Siliwangi adalah pada tipe mobil city car dan MPV meningkat, sedangkan pada tipe sedan menurun. Hal ini dilatar belakangi oleh penjualan city car dan MPV dipengaruhi oleh variabel city car dan MPV (saling berkaitan), sedangkan sedan dipengaruhi oleh variabel sedan itu sendiri. Maulya, Kiki (2011) melakukan penelitian mengenai analisis peramalan penjualan menggunakan metode kointegrasi tiga komoditi pada PT S-IK Indonesia. Berdasarkan analisis yang dilakukan untuk 6 bulan kedepan produk terjadi fluktuasi pada nilai prediksi persamaan regresi, sehingga mempengaruhi nilai peramalan penjualannya. Pada penjualan produk ABS nilai prediksi penjualan dari persamaan regresi terjadi penurunan disetiap bulannya, sedangkan pada penjualan produk PP nilai prediksi 6 bulan ke depan terlihat peningkatan di setiap bulannya. Pada penjualan produk PS terjadi fluktuasi disetiap bulannya. Penurunan penjualan PS terjadi pada bulan ke 65 dan bulan ke 66. Indrazakti (2011) melakukan penelitian mengenai analisis peramalan penjualan menggunakan metode kointegrasi pada produk safe 1 dan cypergard (500 ml dan 100 ml) di PT Chemigard. Dari hasil peramalan penjualan yang dilakukan untuk 6 bulan kedepan, semua produk terjadi fluktuasi pada nilai prediksi persamaan regresi, sehingga mempengaruhi nilai peramalan penjualan menjadi turun naik. Berdasarkan hasil Variance Decomposition untuk 50 bulan kedepan pengaruh dominan dalam penjualan produk Safe 1 adalah produk safe 1 itu sendiri dan pengaruh produk lain yang paling besar adalah Cypergard 100 ml. Pengaruh dominan dalam penjualan Cypergard 100 ml adalah Cypergard 100 ml itu sendiri dan pengaruh produk lain yang paling besar adalah Cypergard 500 ml. Sedangkan pengaruh dominan dalam penjualan Cypergard 500 ml adalah variabel lain yaitu Cypergard 100 ml.
