TUGAS KELOMPOK MANAJEMEN OPERASIONAL PERAMALAN PERMINTAAN NO TOPIK IV APLIKASI PADA PT. KRIDA DINAMIK AUTONOSA NTB
KELOMPOK : ARYO DWIATMOJO RAKSA BUANA ( I2A009009 ) DEWI EKAWATI PARLINA ( I2A009015 ) MADE SUWANDANA ( I2A009044) SITI YULIANA M. YUSUF ( I2A009071)
KEMENTRIAN PENDIDIKAN NASIONAL PROGRAM MAGISTER MANAJEMEN UNIVERSITAS MATARAM TAHUN 2010 BAB I
1
PENDAHULUAN 1.1
Latar Belakang Masalah PT. Krida Dinamik Autonosa merupakan salah satu Perusahaan
besar yang telah lama berdiri, dan merupakan pelopor bisnis otomotif
di
daerah
NTB
saat
ini.
Dalam
perjalanan
dan
perkembangannya PT Krida dinamik Autonosa NTB memperlihatkan suatu kondisi dimana Perusahaan mampu menjadi pemimpin Pasar diwilayah NTB. Hal ini dapat dilihat dalam tabel berikut : Tabel 1. Penguasaan Pangsa Pasar (Market Share) Tahun 2006 – 2008. No
PERUSAHAAN
PANGSA PASAR ( PP) %
2006 1 KRIDA 31,00 2 ASTRA HONDA 23,00 3 SPS 21,00 4 MPM 13,00 5 NSS 8,00 6 PADOLO MOTOR 2,00 7 SURYA UTAMA PERKASA 2,00 TOTAL 100,00 Sumber : PT. Krida Dinamik Autonosa NTB
2007 30,00 25,00 20,00 12,00 8,00 3,00 2,00 100,00
2008 31,00 27,00 19,00 10,00 8,00 3,00 2,00 100,00
Berdasarkani tabel 1 diatas terlihat bahwa penguasaan pangsa pasar ( Market Share ) PT. KRIDA DINAMIK AUTONUSA dari tahun 2006-2008 cenderung berfluktuasi, dimana pada tahun 2006 market share yang diperoleh sebesar 31 persen, tahun 2007
sebesar 30
persen dan pada tahun 2008 sebesar 31 persen. Berdasarkan data tersebut kita dapat melihat bagaimana terjadinya fluktuasi dalam rentan waktu tiga tahun, fluktuasi ini sendiri terjadi disebabkan oleh
2
banyak faktor, terutama faktor dari lingkungan bisnis itu sendiri baik itu faktor eksternal maupun faktor internal. Walaupun terkadang terjadi fluktuasi, akan tetapi PT KDA masih mampu menjadi pemimpin pasar dibandingkan para kompetitornya yang lain. Walaupun data tersebut merefleksikan kondisi pangsa Pasar PT Krida Dinamik Autonosa yang masih kuat. Kondisi ini tentunya tidak dapat menjadi acuan yang konstan sepanjang waktu, karena pada dasarnya kompetitor akan terus mencari jalan untuk melakukan agresi bisnis, sehingga mampu menyingkirkan posisi PT KDA yang kuat tersebut. Untuk itu diperlukan suatu rencana strategis dalam menghadapi kondisi di masa yang akan datang. Disisi
lain
jika
melihat
trend
penjualan
produk-produknya
ternyata permintaan pasar akan produk-produk yang dikeluarkan oleh PT Krida juga cukup tinggi. Hal ini dapat dilihat pada grafik penjualan unit sepeda motor adalah sebagai berikut : Grafik 1. Data Penjualan Unit Tahunan Devisi sepeda Motor di PT Krida Dinamik Autonosa NTB Priode 1998-2008 DATA PENJUALAN UNIT TAHUNAN DEVISI SEPEDA MOTOR PT KRIDA DINAMIK AUTONOSA NTB
JUMLAH PENJUALAN 25000
24524 20000 15000
Series1
21343 19106 17471 16458
15501 13834
10000 8451 5000 436151885342 0 1
2
3
4
5
6
TAHUN 1998-2008
7
8
9
S1 10
11
Sumber : Data Skunder Diolah Berdasarkan grafik diatas dapat
dilihat
suatu
kondisi
permintaan konsumen akan produk sepeda motor berbagai merk
3
yang di sediakan oleh PT KDA di NTB dalam 11 tahun terakhir. Pada tahun 1998 jumlah penjualan adalah sebesar 4.361 unit, kemudian tahun 1999 sebesar 5.188 unit, tahun 2000 sebesar 5342 unit, tahun 2001 sebesar 8451 unit, hingga menyentuh penjualan tertinggi di tahun 2004 yaitu sebesar 24.524 unit dan ini merupakan prestasi yang gemilang di tahun tersebut, akan tetapi di tahun 2005 penjualan
mengalami
kemerosotan
dengan
tingkat
penjualan
sebesar 17471 unit, ditahun 2006 terus mengalami kemerosotan penjualan sebesar 16.458 unit kendaraan bermotor, hingga ditahun 2007 dan 2008 mulai mengalami peningkatan kembali masingmasing sebesar 19.106 unit dan 21.343 unit, akan tetapi tetap saja tidak bisa menyentuh penjualan tertinggi seperti di tahun 2004. Sementara untuk data penjualan unit mobil PT Krida Dinamik Autonosa NTB dapat di lihat pada grafik 2 dibawah ini : Grafik 2. Data Jumlah Penjualan Unit Tahunan Devisi Mobil di PT Krida Dinamik Autonosa NTB priode 2002-2008 DATA JUMLAH PENJUALAN UNIT TAHUNAN DEVISI MOBIL PT KRIDA DINAMIK AUTONOSA NTB JUMLAH PENJUALAN 877
900 800 700
Series1
600 500 400 300 200
418
483
257
385
390
386
5
6
7
100 0 1
2
3
TAHUN 2002-2008
4
S1
Sumber : Data Skunder diolah Berdasarkan data Penjualan unit tahunan Devisi Mobil di PT KDA NTB, maka dapat dilihat bahwa di tahun 2002 jumlah permintaan mobil adalah sebesar 257 unit, meningkat di tahun 2003
4
menembus angka penjualan tertinggi sebesar 877 unit mobil, kemudian di tahun 2004 mengalami fluktuasi yang tajam sebesar 418 unit mobil, meningkat di tahun 2005 sebesar 483, dan mengalami kemerosotan di tahun 2006 sebesar 385 unit, dan terus mengalami fluktuasi hingga di tahun 2008 angka penjualan adalah sebesar 386 unit mobil. Fluktuasi ini tentunya disebabkan oleh banyak faktor baik faktor eksternal-maupun internal Perusahaan. Pihak Perusahaan mengakui belum pernah adanya proyeksi penjualan untuk dijadikan acuan sebagai bahan pertimbangan untuk merumuskan kebijakan strategis dalam mencapai penjualan yang agresif. Oleh karena itu penulis mencoba melakukan proyeksi Permintaan sepeda Motor dan Mobil pada tahun 2009 dan 2010 di PT Krida dinamik Autonosa NTB. Yang mana proyeksi ini bertujuan untuk mengetahui seberapa besar permintaan konsumen ditahun 2009 dan 2010 akan produk sepeda motor dan mobil, yang di jual oleh PT Krida Dinamik Autonosa tersebut. Dengan adanya hasil proyeksi di harapkan pada manager PT Krida nantinya, mampu merumuskan Strategi Bisnis yang tepat dan
efisien
dalam
menghadapi
Kompetitornya
di
NTB
serta
mengantisipasi beberapa kemungkinan-kemungkinan buruk yang akan terjadi, sehingga kemerosotan penjualan dapat di tekan, akibat adanya informasi Estimasi (perkiraan) permintaan konsumen akan dua produk tersebut.
1.2
Masalah/ Perumusan Masalah
5
Berdasarkan latar belakang diatas, maka di temukan dua permasalahan mendasar yang menjadi kajian penelitian yaitu : 1. Seberapa besar
permintaan konsumen terhadap produk
sepeda motor di PT Krida Dinamik Autonosa NTB di tahun 2009 dan 2010 ? 2. Seberapa besar permintaan konsumen terhadap produk mobil di PT Krida Dinamik Autonosa NTB di tahun 2009 dan 2010 ? 1.3 Pemecahan Masalah Dalam memecahkan masalah tersebut diatas, maka Penulis mencoba menggunakan metode kuantitatif yaitu Model ARIMA ( Autoregressive Integrated Moving Average) atau disebut model BoxJenkins. Model Box jenkins merupakan salah satu tehnik peramalan model time series yang hanya berdasarkan prilaku data variabel yang diamati ( let the data speak for themselves). Teknik Box-Jenkin sebagai teknik peramalan berbeda dengan kebanyakan model peramalan yang ada. Didalam model ini tidak ada asumsi khusus tentang data historis dari runtut waktu tetapi menggunakan metode iteratifuntuk menentukan model terbaik. ( Widarjono, 2005 : 299). Metode Box-Jenkins dengan ARMA (Autoregressive-moving average) adalah metode yang menggabungkan banyak unsur dalam teori dan banyak dipakai untuk tujuan peramalan (forecasting). Metode Wold (1951) ini menggabungkan dua pola serial waktu yaitu AR (Autoregressive) oleh Yule (1926) dan MA (moving average) oleh Slutzky (1937).
Metode Box-Jenkins ini merupakan metode yang
sangat canggih untuk melakukan peramalan jangka pendek. Hasil peramalan akurat yang dihasilkan metode ini akan membantu
6
manajer dalam membuat perencanaan strategis ( Darmawan : 2007). Model ARIMA tidak mensyaratkan suatu pola data tertentu agar model dapat bekerja dengan baik. Artinya, model ini dapat dipakai untuk semua tipe pola data karena metode Box-Jenkins ini menggunakan asumsi bahwa data input adalah data stasioner (bukan data asli). Bila data tidak stasioner, perlu ditransformasi terlebih dahulu dengan metode pembedaan (differencing), yakni dengan cara mengurangkan data suatu periode tertentu dengan data periode sebelumnya. Pada umumnya, sebuah data bisnis akan menjadi stasioner setelah dilakukan proses pembedaan pertama (difference =1). Model ini akan bekerja lebih baik jika data time series yang digunakan bersifat dependen. Metode
AR
(Autoregressive)
dapat
diformulasikan
sebagai
berikut: ............................................................ ( 1.0) Variabel-variabel aYt-1,bYt-2,cYt-n, merupakan variabel yang sama, sehingga disebut auto atau periode yang lampau. Metode MA (Moving Average) dapat diformulasikan sebagai berikut: ............................................................. .. (1.1) di mana; Ut=kesalahan/ residu yang mewakili gangguan acak yang sukar untuk diprediksi. Penggabungan dari kedua metode di atas menghasilkan metode ARMA (autoregressivemoving average):
7
............................................................. ... (1.2) Model di atas menggunakan variabel yang sama (variabel dependent dipengaruhi variabelnya sendiri, sehingga sifatnya sulit diprediksi) sehingga model ini dinamakan model random walk. Perbedaan intersept yang mungkin timbul disebut drift: . Model ARMA di atas bisa juga untuk memprediksi model yang ada, sehingga metode ARMA tersebut berbentuk:
Gabungan antara model AR dan MA melahirkan model ARIMA atau Box Jenkins. Tahapan utama proses Box-Jenkins dirangkum dalam Gambar. Gambar Model bagan Proses peramalan Box-Jenkins Rumuskan model umum dan uji stationaritas data
Identifikasi Model tentative (model ARIMA)
Estimasi Parameter Atas model tentatif
Uji diagnostik Apakah model sudah tepat
8
Tidak Ya Gunakan Model untuk Peramalan Sumber : Kuncoro ( 2004 :179) a. Uji Stationaritas sebelum melakukan identifikasi menentukan model terbaik, persyaratan stationaritas dat perlu dijamin terlebih dahulu. Hal ini diperlukan dalam memastikan adanya hubungan jangka panjang suatu variabel. Hal utama yang perlu dijawab dalam uji statinaritas data adalah pada drajat (diferensiasi) berapa variabel penjualan stasioner. Uji ini dapat dilakukan dengan metode unit roots test. Indikatornya adalah apabila nilai Augmented Dicky Fuller (ADF) lebih besar dari nilai kritisnya berarti data telah stasioner. Namun apabila tidak maka perlu dilakukan diferensi tingkat pertama. Pengujian dilakukan dengan menggunakn software Eviews versi 3.0. b. Penentuan model terbaik Penentuan model terbaik dalam metode ARIMA adalah dengan melakukan trial and error diantara ketiga model. Model terbaik setidaknya memiliki nilai Determinasi ( goodness of fit) dan F statistik paling tinggi, serta memiliki Akaike Info Criterion ( AIC) paling minimal diantara masing-masing model. c. Peramalan (Estimasi) Dalam melakukan peramalan tentunya akan diseleksi satu model terbaik dari tiga model yang di uji. Apakah AR(1), AR(1)AR(2),
9
atau AR(1)MA(1). Setelah salah satu diantara ketiga model tersebut telah ditentukan maka model yang terpilih dapat digunakan sebagai model yang akan memprediksi permintaan konsumen dimasa yang akan datang.
BAB II ANALISIS / PEMBAHASAN 2.1 Analisis Atas Dasar Teori Forecast adalah merupakan ramalan atau estimasi terhadap keadan dimasa depan ( Gitosudarmo, 2002 : 120). Pada dasarnya terdapat
dua
pendekatan
utama
dalam
peramalan
metode
kuantitatif. Pertama, pendekatan time series yaitu model yang tidak memperhatikan hubungan sebab akibat atau dengan kata lain hasil peramalan hanya memperhatikan kecendrungan dari data masa lalu yang tersedia. Dalam pendekatan itu akan dibahas tentang teknik peramalan dengan metode trend
baik secara linear maupun
kuadratik. Pendektan kedua, pendekatan yang memperhatikan hubungan caust and effect atau pendekatan yang menjelaskan terjadinya suatu keadaan oleh sebab-sebab tertentu. Teknik yang digunakan dengan pendekatan itu dikenal sebagai metode korelasi dan regresi ( Sugito dan Sumartono, 2004 : 67). Selain itu menurut Gitosudarmo (2002), adapun gambaran terhadap permintaan dimasa depan umumnya dapat digali dari penelitian
dan
analisis
pasar.
Beberapa
sumber
data
dapat
dipergunakan dalam melakukan analisa permintaan pasar tersebut yaitu :
10
a. Pendapat Konsumen Konsumen pemakai barang dan jasa yang kita pasarkan dapat dipergunakan sebagai sumber data atau informasi yang baik bagi analisis pasar. Menggali data mengeni pendapat konsumen ini tidaklah mudah, karena hal ini tidaklah sekedar menanyakan apa yang dibutuhkan, akan tetapi perlu diperhatikan pula bahwa dalam hal ini pertanyaan harus memiliki berbagai syarat agar data yang diperolah dapat dipergunakan untuk keperluan analisa selanjutnya. b. Pendapat langganan ( Customers ) Langganan adalah orang yang membeli barang atau jasa yang dipasarkan oleh perusahaan. Langganan dapat berbeda dengan pemakai, sebab pembeli belum tentu pemakai (konsumen). Seperti halnya dalam pembelian susu bayi, pakaian anak dan lain-lain. Langganan
dapat
dimintai
keterangan
tentang
keputusan
pembeliannya. Dengan demikian dapatlah diperoleh gambaran tentang motif-motif pembelian serta cara-cara atau kebiasaan pembelian mereka. c. Catatan dan Pendapat Distributor Distributor
akan
dapat
mengetahui
lebih
lengkap
dan
terperinci tentang kondisi dan situasi langganan ataupun kondisi konsumen yang ada di daerahnya. Distributorlah yang selalu berhubungan langsung dengan konsumen atau pelanggan. Oleh karena itu studi terhadap distributor akan dapat memperoleh informasi tentang permintaan konsumen seta langganan. Distributor pulalah yang akan merasakan langsung dari adanya persaingan,
11
karena
mereka
merupakan
bagian
yang
terdepan
didalam
berhubungan dengan konsumen , langganan serta pesaing. Oleh karena itu wawancara dengan distributor, lebih-lebih para salesman akan dapat memperoleh gambaran yang baik terhadap kondisi persaingan dan permintaan pasar. Distributor dapat berupa agen serta toko-toko pengecer.
d. Catatan Penjualan dari Perusahaan sendiri Perkiraan terhadap kondisi penjualan dimasa depan dapat didasarkan pada data-data historis dari penjualan masa lampau. Data historis biasanay telah tersedia dalam perusahaan dan merupakan data kuantitatif yang obyektif. Disisi
lain
menurut
Gitosudarmo
(
2002)
adapun
hal
substansial yang tak dapat di abaikan yaitu, perubahan masa kini baik di bidang ekonomi, sosial, politik serta kebudayaan sebagian besar
kalau
tidak
seluruhnya
diakibatkan
oleh
adanay
perkembangan di bidang teknologi, karena perkembangan teknolgi ini bersifat akseleratif dan kumulatif maka sering kali imaginasi kita tidak dapat mengikutinya. Sebagai konsekuensinya sudah barang tentu
akan
bertambah
besar
pula
hasil-hasil
perkembangan
teknologi yang belum dapat kita bayangkan pada waktu kita membuat antisipasi tersebut hal ini tidak mengurangi pentingnya pembuatan gambaran atau skenario masa depan sebagai pedoman perencanaan. Masa depan ini dapat diramalkan dengan tiga macam cara : Dengan
dasar
pertumbuhan
tetap,
yaitu
dengan
menggunakan proyeksi sederhana ( linear regresion) dari
12
masa lampau dan masa datang tanpa mempertimbangkan adanaya akibat dari perubahan-perubahan yang sengaja dilakukan oleh generasi sekarang maupun generasi yang akan datang. Dalam hal ini berarti kita menggunakan regresi linear tanpa menganggap adanaya usaha-usaha manusia itu sendiri untuk mengubah keadaan tersebut, dan kita hanya mengikuti arah perkembangan yang sudah terjadi itu seperti apa adanya, menurut keadaan itu sendiri. Dengan memperhatikan adanya perubahan yang dilaksanakan oleh organisasi sekarang serta generasi yang akan datang sebagai usaha mereka untuk menjawab tantangan-tantangan. Dengan
memperhatikan
kejadian-kejadian
yang
mungkin
timbul seperti bencana alam, epidemis, gerakan/keadaan politik seperti nasionalisasi perusahaan asing dan sebagainya. Dalam hal ini terdapat tiga macam keadaan yaitu, ketdak pastian ( uncertainty ), resiko (risk), kepastian ( certainty ). Berdasarkan wacana diatas telah disebutkan beberapa acuan teoritis
serta
beberapa
variabel-variabel
yang
mempengaruhi
peramalan permintaan itu sendiri, akan tetapi disini peneliti hanya membatasi permasalahan pada penggunaan satu variabel, yaitu variabel catatan penjualan dari perusahaan itu sendiri, sementara variabel-variabel lainnya seperti, pendapat konsumen, pendapat customers, diasumsikan
dan
pendapat
dalam
keadaan
distributor
tidak
digunakan,
atau
ceteris
paribus.
Walaupun
pada
hakikatnya tidak demikian, hal ini disebabkan oleh keterbatasan penelitian dalam mengakses data kepihak-pihak tersebut. Sehingga hanya data jumlah penjualan PT KDA NTB yang digunakan sebagai bahan proyeksi. Data historis yang digunakan mulai dari tahun 1998
13
sampai 2008 untuk unit penjualan sepeda motor, dan dari tahun 2002 sampai 2008 untuk unit penjualan mobil. 2.2 Analisis Berdasarkan Hasil Adapun berdasarkan hasil olah data menggunkan software Eviews versi 3.0 menggunakan tehnik Box-Jenkins maka di peroleh hasil uji stationaritas data dengan metode Unit Roots Test adalah sebagai berikut : 2.2.1 Tabel 2 hasil Uji Stationaritas penjualan sepeda Motor ADF Test Statistic
5.08944 4
data
1% Critical Value*
pada
devisi
-3.4852
5% Critical Value -2.8853 10% Critical Value -2.5793 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(PENJUALAN,2) Method: Least Squares Date: 03/18/10 Time: 01:18 Sample(adjusted): 1998:11 2008:11 Included observations: 121 after adjusting endpoints Variable Coefficien Std. Error t-Statistic Prob. t D(PENJUALAN(-1)) - 0.283401 -5.089444 0.0000 1.442351 D(PENJUALAN(0.345334 0.249397 1.384677 0.1688 1),2) D(PENJUALAN(0.127985 0.211120 0.606222 0.5456 2),2) D(PENJUALAN(0.087982 0.163153 0.539261 0.5907 3),2) D(PENJUALAN(0.036056 0.107870 0.334255 0.7388 4),2) C 6.844567 33.46393 0.204536 0.8383 R-squared 0.514614 Mean dependent var 12.1074
14
Adjusted R-squared 0.493510
S.D. dependent var
S.E. of regression
Akaike info criterion
365.1158
Sum squared resid
1533060 0 Log likelihood 882.5406 Durbin-Watson stat 1.899014
Schwarz criterion F-statistic Prob(F-statistic)
4 513.033 1 14.6866 2 14.8252 6 24.3849 8 0.00000 0
Sumber : data diolah Berdasarkan data diatas terlihat bahwa data penjualan sepeda motor stasioner pada drajat pertama setelah didiferensi. Hal ini dapat dilihat dari nilai ADF sebesar -5.08944 yang lebih besar dari nilai kritisnya pada alfa berapapun yaitu -3,485, -2,885, dan -2,579. kondisi ini memberikan gambaran bahwa data yang akan digunakan telah di stasionarkan. Sehingga secara metodologis pengujian selanjutnya dapat dilakukan. Karena data pada dasarnya tidak stasioner pada drjat (0) maka data yang stasiner pada drajat (I) sifatnya hanya dalam jangka pendek. Artinya peramalan akan efisien dalam jangka pendek untuk memproyeksi nilai penjualan ditahun 2009 dan 2010. 2.2.2.
Tabel
3
Perbandingan
Model
Terbaik
dari
Data
Penjualan Sepeda Motor KONSTANT A
AR(1)
ARIMA (1,0,0)
1.6005 (0.0542)
-0.0567 ( -0.6047)
ARIMA (0,01) ARIM A (1,0,1 )
4.3001 (0.1796)
-0.0920 (-0.9671)
11.6938 (2.3315)
0.7197 (9.5863 )
MODEL
AR(2)
MA(1)
R2
F-STAT
AIC
-0.2062 (2.0642)
-
0.00 2
0.365 7
14.5 93
-
0.03 5
2.307 8
14.5 83
-0.9701 (39.269)
0.09 2
6.437 8
14.5 14
-
Sumber : data diolah
15
Berdasarkan estimasi model ARIMA diatas tampak bahwa dari tiga model yang diestimasi ternyata model ARIMA 1(1,0,1) adalah model yang memenuhi syarat untuk digunakan sebagai model proyeksi yang tepat, karena memiliki nilai F statistik terbesar, Rsquare terbesar, dan Akaike Information criterion (AIC) paling minimal. Karena model tersebut memenuhi kriteria model BoxJenkins yang tepat, maka pada tahap selanjutnya model tersebut dapat digunakan sebagai model peramalan yang paling akurat. Dengan proyeksi yang mendekati nilai aktual. 2.2.3. Grafik 3 Peramalan Penjualan Sepeda Motor di tahun 3500
2009 dan 2010 3000 2500 2000 1500 1000 500 0 98
99
00
01
02
03
PENJUALAN
04
05
06
07
08
09
10
PENJUALANF
Berdasarkan grafik diatas dapat terlihat bahwa proyeksi antara penjualan aktual dan penjualan yang diproyeksi terus mengalami peningkatan. Garis estimasi proyeksi terus mendekati garis aktual priode aktual, hal ini merefleksikan model proyeksi yang digunakan untuk memprediksi penjualan motor di tahun 2009 dan 2010 akurat. Dengan menggunakan model ARIMA (1,0,1). Hal yang menarik dari model ini adalah bahwa adanya pengujian stasionaritas data. Yang
16
artinya apabila data tersebut tidak stasionar pada drajat (0) maka dapat dideferensi pada drajat pertama sehingga data menjadi stasioner dan dapat dilanjutkan sebagi model yang akurat untuk meramalkan penjualan ditahun 2009 dan 2010 dalam priode bulanan. 2.2.4 Tabel 4 Hasil Estimasi (Proyeksi) Penjualan unit Sepeda Motor tahun 2009 dan 2010 dalam priode bulanan TAHUN 2009
2010
BULAN JANUARI FEBUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBE R OKTOBER NOVEMBER DESEMBER JANUARI FEBUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBE R OKTOBER NOVEMBER DESEMBER
HASIL PROYEKSI 430.6467 432.2472 433.8477 435.4482 437.0487 438.6492 440.2497 441.8502 443.4507 445.0512 446.6517 448.2522 449.8527 451.4532 453.0537 454.6542 456.2547 457.8552 459.4557 461.0562 462.6567 464.2572 465.8577 467.4582
Sumber : data diolah dengan software Eviews 3.0
17
Berdasarkan
tabel
proyeksi
diatas,
yang
telah
diolah
menggunakan perangkat lunak statistik (eviews versi 3.0), maka dapat dilihat bahwa pada tahun 2009 dalam proiode bulanan trend penjualan terus mengalami peningkatan penjualan sebesar 448 unit motor di bulan Desember tahun 2009. sementara ditahun 2010 hal yang serupa terjadi dimana trend penjualan terus mengalami peningkatan dam puncak peramalan mencapai angka 467 pada bulan desember tahun 2010. artinya pada kondisi ini prilaku data penjualan priode sebelumnya efektif untuk memproyeksi penjualan ditahun 2009 dan 2010 setiap bulannya. 2.2.5
Tabel
5 hasil
Uji Stationaritas
data
pada
devisi
penjualan Mobil tahun 2009 dan 2010 dalam priode bulanan ADF Test Statistic
4.158986
1% Critical Value*
-3.5164
5% Critical Value -2.8991 10% Critical Value -2.5865 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(PENJUALAN,2) Method: Least Squares Date: 03/19/10 Time: 02:16 Sample(adjusted): 2002:07 2008:11 Included observations: 77 after adjusting endpoints Variable Coefficien Std. Error t-Statistic t D(PENJUALAN(-1)) - 0.436627 -4.158986 1.815924 D(PENJUALAN(0.075326 0.394773 0.190808 1),2) D(PENJUALAN(0.007389 0.333321 0.022167 2),2) D(PENJUALAN(0.132085 0.244846 0.539463 3),2)
Prob. 0.0001 0.8492 0.9824 0.5913
18
D(PENJUALAN(4),2) C R-squared
0.099410
0.120436
0.825419
0.4119
0.066154 0.831065
2.400433 -0.027559
0.9781
Mean dependent var
Adjusted R-squared 0.819168
S.D. dependent var
S.E. of regression
21.01960
Akaike info criterion
Sum squared resid
31369.48
Schwarz criterion
Log likelihood
340.6350 Durbin-Watson stat 1.974304
F-statistic Prob(F-statistic)
0.27272 7 49.4295 4 9.00350 6 9.18614 1 69.8558 4 0.00000 0
Sumber : data diolah Berdasarkan data diatas terlihat bahwa data penjualan Mobil stasioner pada drajat pertama setelah didiferensi. Hal ini dapat dilihat dari nilai ADF sebesar 4.1299 yang lebih besar dari nilai kritisnya pada alfa berapapun yaitu -3.4831, -2.8844, dan -2.5788. kondisi ini memberikan gambaran bahwa data yang akan digunakan telah di stasionarkan. Sehingga secara metodologis pengujian selanjutnya dapat dilakukan. 2.2.6.
Tabel
6
Perbandingan
Model
terbaik
dari
data
Penjualan Mobil MODEL
ARIM A (1,0,0
KONSTANT A
)
-0.0947 (-0.0686)
ARIMA (0,01) ARIMA (1,0,1)
0.0247 (0.0208) -0.0260 (-0.0218)
AR(1)
0.6474 (7.5031 ) 0.75764 (6.6375) -0.5411 (3.7536)
AR(2)
MA(1)
R2
F-STAT
AIC
-
-
0.41 6
56.29 66
8.9008
0.43 3 0.42 8
29.51 30 29.18 92
-0.1630 ( -1.4285) -
0.19251 (-
8.9076 8.9048
19
1.1274)
Sumber : data diolah Berdasarkan estimasi model ARIMA diatas, untuk mencari model yang terbaik ternyata pilihannya berbeda dengan estimasi yang dilakukan pada penjualan sepeda motor, pada estimasi penjualan mobil disini, ternyata model terbaik yaitu model ARIMA (1,0,0) model ini memenuhi syarat untuk digunakan sebagai model proyeksi yang tepat, karena memiliki nilai F statistik terbesar, dan Akaike Information criterion (AIC) paling minimal. Karena model tersebut memenuhi kriteria model Box-Jenkins yang tepat, maka pada tahap selanjutnya model tersebut dapat digunakan sebagai model peramalan yang paling efisien. 2.2.7. Grafik 4 Peramalan Penjualan Mobil di tahun 2009 dan 160
2010
120
80
40
0 02
03
04
05
06
PENJUALAN
07
08
09
10
PENJUALANF
Dari tabel diatas tampak suatu kondisi yang berbeda dalam proyeksi penjualan mobil dan sepeda motor dimana pada proyeksi penjualan mobil menunjukan trend yang cenderung menurun. Hal ini disebabkan volatilitas data yang cenderung memperlihatkan trend penurunan
yang
cukup
signifikan.
Sehingga
model
ARIMA
20
memproyeksi
penjualan
mobil
pada
tahun
2009
dan
2010,
cenderung akan mengalami penurunan permintaan. Disisi lainnya jika kita melihat antara data aktual yang di notasikan dengan garis berwarna biru, ternyata model Box-Jenkins secara teoritis memenuhi kriteria, karena garis proyeksi selalu mengikuti garis aktual data. Dengan kata lain trend penurunan ini disebabkan gerakan data yang cenderung mengalami penurunan.
2.2.8 Tabel 7 Hasil Estimasi (Proyeksi) Penjualan unit Mobil tahun 2009 dan 2010 dalam priode bulanan TAHU N 2009
2010
BULAN JANUARI FEBUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBE R OKTOBER NOVEMBER DESEMBER JANUARI FEBUARI MARET APRIL MEI JUNI JULI AGUSTUS SEPTEMBE R OKTOBER NOVEMBER DESEMBER
HASIL PROYEKSI 13.59869 13.50391 13.40914 13.31436 13.21959 13.12481 13.03004 12.93526 12.84049 12.74571 12.65094 12.55616 12.46139 12.36661 12.27184 12.17706 12.08229 11.98751 11.89274 11.79796 11.70319 11.60841 11.51364 11.41886
21
Sumber : data diolah dengan Software eviews 3.0 Berdasarkan data proyeksi penjualan mobil diatas dapat dilihat
suatu
kondisi
yang
berbeda
dengan
peramalan
yang
dilakukan terhadap penjualan sepeda motor. Hal ini disebabkan metede
ARIMA
adalah
metode
yang
membaca
pergerakan
(volatilitas) kecendrungan data, sehingga metode ini cenderung lebih akurat dalam memberikan hasil proyeksi, baik kecendrungan proyeksi
peningkatan
permintaan
ataupun
penurunan
jumlah
permintaan konsumen. Data proyeksi yang mengalami penurunan permintaan akan Mobil ini memberikan suatu informasi bagi PT Krida Dinamik Autonosa
agar
mampu
membaca
situasi,
mengapa
ada
kecendrungan penurunan seperti kondisi diatas. Fluktuasi yang terjadi ini juga memberikan informasi agar Perusahaan perlu mempertimbangan perencanaan produksi, serta mengintensifkan pola pemasaran, agar jangan sampai kondisi ini benar-benar terjadi.
22
BAB III PENUTUP 3.1 Kesimpulan Berdasarkan hasil analisis diatas maka ada bebarapa hal mendasar yang dapat menjadi simpulan dalam kasus ini yaitu : 1. Kedua data baik data penjualan sepeda motor maupun data penjualan mobil, sama-sama tidak stasioner pada drajat (0), sehingga kedua data tersebut terlebih dahulu harus didiferensi pada drajat (I), dan hasilnya, kedua data penjualan tersebut stasioner pada drajat pertama sehingga estimasi Box-Jenkins dapat memenuhi kriteria. 2. Model
yang
terbaik
pada
hasil
tentatif estimasi
model
penjualan sepeda motor adalah, ARIMA (1,0,1), sementra model terbaik pada hasil estimasi penjualan Mobil adalah ARIMA (1,0,0). 3. Hasil proyeksi penjualan 2009 dan 2010 sepeda motor dalam priode bulanan menunjukan ternd positif (meningkat). Di mana pada bulan januari 2009 penjualan sepeda motor adalah sebesar 431 unit, dan terus mengalami peningkatan setiap bulannya , hingga
di bulan Desember 2009 penjualan
23
mencapai angka sebesar 448 unit. Sementara di bulan Januari 2010 penjualan sepeda motor adalah sebesar 449 unit, dan terus mengalami peningkatan penjualan hingga di akhir bulan Desember 2010, yaitu sebesar 467 unit sepeda motor. Ratarata peningkatan penjualan setiap bulannya adalah 1 sampai 2 unit kendaraan bermotor. 4. Sementara hasil proyeksi penjualan 2009 dan 2010 untuk devisi mobil menunjukan trend negatif (penurunan). Artinya ada kecendrungan kuat
bahwa permintaan terhadap Mobil
akan berkurang, hasil proyeksi menunjukan di bulan januari 2009 permintaan terhadap mobil adalah sebesar 13 unit, dan terus mengalami penurunan setiap bulannya, hingga di bulan Desember 2009, angka permintaan menurun sebesar 12 unit kendaraan. Ditahun 2010 pada bulan januari penjualan masih berada pada angka yang sama seperti di bulan januari 2009 yaitu sebesar 12 unit kendaraan, penurunan mulai terjadi di bulan Juni 2010 yaitu sebesar 11 unit mobil. Penurunan di bulan Juni ini kemungkinan akan berlangsung sampai di akhir bulan desember 2010 yaitu sebesar 11 unit kendaraan ( Mobil). 3.2 Saran Berdasarkan
kesimpulan
diatas
maka
dapat
disarankan
beberapa rekomendasi substansial bagi PT Krida Dinamik Autonosa NTB. 1. PT Krida Dinamik Autonosa sebaiknya mempersiapkan diri dengan
kemungkinan
terjadinya
penurunan
penjualan
kendaraan (Mobil), untuk mengantisipasi kondisi ini maka
24
diperlukan perencaanaan kapasitas produksi yang optimal, sistem pemasaran yang efisien dengan lebih menkankan promosi terhadap dan advertensi untuk kendaraan. 2.
Manajemen PT Krida Dinamik Autonosa perlu melakukan survei Konsumen, untuk mengekplorasi kebutuhan serta preferensi konsumen terhadap produk yang di inginkan, terutama terkait dengan desain kendaraan dan sebagainya.
3. Pendekatan scara kualitatifpun diperlukan untuk meramalkan keadaan
di
tahun
2009
dan
2010,
tehnik
Delphi
dan
pendekatan terhadap pelanggan adalah hal penting, hal ini dimaksudkan
untuk
memperkuat
hasil
peramalan
yang
sifatnya kuantitatif tersebut. Oleh karena itu manajemen perlu mencari
siapa
pihak
yang
kompeten
untuk
melakukan
peramalan penjualan, sehingga akan sangat membantu dalam membuat keputusan strategis. 4. Dengan diketahuinya jumlah permintaan sepeda motor dan Mobil di tahun 2009 dan 2010, maka PT krida Dinamik Autonosa NTB, perlu secara matang mempersiapkan, berapa inventori yang harus disediakan , sehingga tidak melebihi kapasitas permintaan konsumen.
25
DAFTAR PUSTAKA
Bank Indonesia dan BP2FE, 2009. Laporan Penelitian Model Inflasi Nusa Tenggara Barat. BP2FE L: NTB Gitosudarmo Indriyo, 2002. Manajemen Operasi, edisi kedua. BPFE Yogyakarta : Yogyakarta. Kuncoro Mudrajad, 2004. Metode Kuantitatif, Teori danAplikasi untuk Bisnis dan Ekonomi. AMP YKPN : Yogyakarta. Kuncoro Mudrajad dan Kardoyo Hadi, 2001. Analisis Kurs Valas dengan Pendekatan Box-Jenkins : Jurnal. Sugito
Pudjo
dan
Sumartono.
Manajemen
Operasional.
Edisi
pertama. Bayumedia Publishing : Jawa timur ( Malang). Widarjono Agus, 2005.
Ekonometrika, Teori dan Aplikasi untuk
ekonomi dan Bisnis. Ekonesia : Yogyakarta
26
LAMPIRAN 1. DATA PENJUALAN DEVISI SEPEDA MOTOR DAN MOBIL DI PT. KRIDA DINAMIK AUTONOSA
27
LAMPIRAN 2. UNTUK PROYEKSI PENJUALAN UNI T MOTOR TAHUN 2009 DAN 2010 DALAM PRIODE BULANAN 1. UJI STASIONERITAS DATA A. TAHAP LEVEL ADF Test Statistic
-2.450541
1% Critical Value* -3.4831 5% Critical Value -2.8844 10% Critical Value -2.5788 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 01:50 Sample(adjusted): 1998:06 2008:11 Included observations: 126 after adjusting endpoints Variable Coefficient Std. Error t-Statistic Prob. PENJUALAN(-1) -0.122769 0.050099 -2.450541 0.0157 D(PENJUALAN(-1)) -0.020124 0.100243 -0.200756 0.8412 D(PENJUALAN(-2)) -0.142913 0.105888 -1.349668 0.1797 D(PENJUALAN(-3)) 0.018899 0.106511 0.177438 0.8595 D(PENJUALAN(-4)) 0.002123 0.104448 0.020325 0.9838 C 149.1563 65.95654 2.261433 0.0255 R-squared 0.083893 Mean dependent var 0.182540 Adjusted R-squared 0.045722 S.D. dependent var 357.5510
28
S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
349.2814 14639704 -913.5531 1.902214
Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
14.59608 14.73114 2.197807 0.058903
B. DEFERENSI (I) ADF Test Statistic
-5.165145
1% Critical Value* -3.4835 5% Critical Value -2.8845 10% Critical Value -2.5789 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(PENJUALAN,2) Method: Least Squares Date: 03/19/10 Time: 01:53 Sample(adjusted): 1998:07 2008:11 Included observations: 125 after adjusting endpoints Variable Coefficient Std. Error t-Statistic D(PENJUALAN(-1)) -1.439042 0.278606 -5.165145 D(PENJUALAN(-1),2) 0.341325 0.245027 1.393011 D(PENJUALAN(-2),2) 0.123910 0.207272 0.597812 D(PENJUALAN(-3),2) 0.082813 0.159978 0.517652 D(PENJUALAN(-4),2) 0.031394 0.105355 0.297983 C 6.916694 32.38611 0.213570 R-squared 0.514771 Mean dependent var Adjusted R-squared 0.494383 S.D. dependent var S.E. of regression 359.2460 Akaike info criterion Sum squared resid 15357862 Schwarz criterion Log likelihood -909.7938 F-statistic Durbin-Watson stat 1.896754 Prob(F-statistic)
Prob. 0.0000 0.1662 0.5511 0.6057 0.7662 0.8312 -11.46400 505.2208 14.65270 14.78846 25.24902 0.000000
C. HASIL ESTIMASI 3 MODEL MODEL I AR(1) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 01:51 Sample(adjusted): 1998:03 2008:11 Included observations: 129 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std. Error t-Statistic Prob. C 1.600501 29.52559 0.054207 0.9569 AR(1) -0.056708 0.093770 -0.604756 0.5464 R-squared 0.002871 Mean dependent var 1.201550 Adjusted R-squared -0.004980 S.D. dependent var 353.4049 S.E. of regression 354.2838 Akaike info criterion 14.59346
29
Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots
15940661 -939.2779 1.886762 -.06
Schwarz criterion F-statistic Prob(F-statistic)
14.63779 0.365730 0.546420
MODEL II AR(1) AR(2) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 01:52 Sample(adjusted): 1998:04 2008:11 Included observations: 128 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std. Error t-Statistic C 4.300139 23.94166 0.179609 AR(1) -0.092033 0.095161 -0.967135 AR(2) -0.206263 0.099923 -2.064229 R-squared 0.035610 Mean dependent var Adjusted R-squared 0.020180 S.D. dependent var S.E. of regression 351.1584 Akaike info criterion Sum squared resid 15414031 Schwarz criterion Log likelihood -930.3447 F-statistic Durbin-Watson stat 1.901315 Prob(F-statistic) Inverted AR Roots -.05 -.45i -.05+.45i
Prob. 0.8578 0.3353 0.0411 0.750000 354.7562 14.58351 14.65035 2.307836 0.103701
MODEL 3 AR(1) MA(1) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 01:53 Sample(adjusted): 1998:03 2008:11 Included observations: 129 after adjusting endpoints Convergence achieved after 16 iterations Backcast: 1998:02 Variable Coefficient Std. Error t-Statistic C 11.69385 5.015577 2.331506 AR(1) 0.719726 0.075078 9.586392 MA(1) -0.970116 0.024704 -39.26990
Prob. 0.0213 0.0000 0.0000
30
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Inverted MA Roots
0.092714 0.078313 339.2848 14504385 -933.1877 1.731213 .72 .97
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
1.201550 353.4049 14.51454 14.58105 6.437876 0.002177
KURVA ESTIMASI PENJUALAN MOTOR 3500 3000 2500 2000 1500 1000 500 0 98
99
00
01
02
03
PENJUALAN
04
05
06
07
08
09
10
PENJUALANF
HASIL PROYEKSI/ FORECASTING 2009-2010 PENJUALAN PENJUALANF 607.0000 607.0000 199.0000 199.0000 258.0000 223.8282 306.0000 224.1115 331.0000 225.7867 397.0000 227.3829 275.0000 228.9837 310.0000 230.5842 337.0000 232.1847 435.0000 233.7852 393.0000 235.3857 513.0000 236.9862 339.0000 238.5867 299.0000 240.1872
31
398.0000 399.0000 292.0000 232.0000 352.0000 437.0000 517.0000 584.0000 596.0000 743.0000 190.0000 416.0000 510.0000 352.0000 425.0000 416.0000 435.0000 573.0000 571.0000 486.0000 506.0000 462.0000 470.0000 625.0000 677.0000 665.0000 724.0000 684.0000 901.0000 840.0000 542.0000 900.0000 822.0000 601.0000 856.0000 952.0000 953.0000 1085.000 1294.000 1116.000 1355.000 1412.000 823.0000 1347.000 1653.000 988.0000 1010.000 784.0000 838.0000 949.0000 1142.000
241.7877 243.3882 244.9887 246.5892 248.1897 249.7902 251.3907 252.9912 254.5917 256.1922 257.7927 259.3932 260.9937 262.5942 264.1947 265.7952 267.3957 268.9962 270.5967 272.1972 273.7977 275.3982 276.9987 278.5992 280.1997 281.8002 283.4007 285.0012 286.6017 288.2022 289.8027 291.4032 293.0037 294.6042 296.2047 297.8052 299.4057 301.0062 302.6067 304.2072 305.8077 307.4082 309.0087 310.6092 312.2097 313.8102 315.4107 317.0112 318.6117 320.2122 321.8127
32
1327.000 1469.000 1745.000 1672.000 1659.000 1483.000 1423.000 1042.000 1055.000 1365.000 1887.000 2528.000 3062.000 2635.000 2552.000 2441.000 2461.000 1494.000 2002.000 1531.000 1299.000 1525.000 1560.000 1586.000 1300.000 1678.000 2275.000 1502.000 1402.000 770.0000 1043.000 717.0000 742.0000 746.0000 794.0000 1096.000 1197.000 1421.000 1410.000 2633.000 2419.000 1468.000 1815.000 1294.000 1064.000 865.0000 1157.000 1698.000 1901.000 1541.000 1767.000
323.4132 325.0137 326.6142 328.2147 329.8152 331.4157 333.0162 334.6167 336.2172 337.8177 339.4182 341.0187 342.6192 344.2197 345.8202 347.4207 349.0212 350.6217 352.2222 353.8227 355.4232 357.0237 358.6242 360.2247 361.8252 363.4257 365.0262 366.6267 368.2272 369.8277 371.4282 373.0287 374.6292 376.2297 377.8302 379.4307 381.0312 382.6317 384.2322 385.8327 387.4332 389.0337 390.6342 392.2347 393.8352 395.4357 397.0362 398.6367 400.2372 401.8377 403.4382
33
1617.000 1807.000 2141.000 2254.000 1810.000 1802.000 2029.000 2410.000 2427.000 1948.000 1914.000 2001.000 2927.000 1721.000 354.0000 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
405.0387 406.6392 408.2397 409.8402 411.4407 413.0412 414.6417 416.2422 417.8427 419.4432 421.0437 422.6442 424.2447 425.8452 427.4457 429.0462 430.6467 432.2472 433.8477 435.4482 437.0487 438.6492 440.2497 441.8502 443.4507 445.0512 446.6517 448.2522 449.8527 451.4532 453.0537 454.6542 456.2547 457.8552 459.4557 461.0562 462.6567 464.2572 465.8577 467.4582
COLEOGRAM STATINERITAS DATA TRINGKAT LEVEL Date: 03/19/10 Time: 01:58 Sample: 1998:01 2010:12 Included observations: 131 Autocorrelation Partial Correlation .|*******| .|*******| .|****** | .|. |
1 2
AC 0.863 0.753
PAC 0.863 0.032
Q-Stat 99.832 176.43
Prob 0.000 0.000
34
.|***** .|***** .|**** .|**** .|**** .|**** .|**** .|**** .|**** .|**** .|**** .|*** .|*** .|** .|** .|** .|** .|** .|** .|** .|** .|** .|** .|** .|** .|** .|* .|* .|* .|* .|* .|* .|* .|*
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
.|* .|. .|. .|. .|* .|* .|* .|. .|. .|. *|. .|. *|. .|. *|. .|. .|* .|* .|. .|. .|* .|. *|. .|* .|. .|. *|. *|. .|* .|. .|. .|. .|* .|.
| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
0.698 0.630 0.567 0.509 0.486 0.487 0.509 0.516 0.500 0.492 0.464 0.435 0.370 0.322 0.261 0.224 0.230 0.243 0.265 0.271 0.295 0.309 0.253 0.241 0.227 0.199 0.151 0.109 0.106 0.117 0.130 0.139 0.168 0.189
0.160 -0.042 0.012 -0.024 0.121 0.110 0.164 0.018 -0.035 0.014 -0.068 0.020 -0.154 0.028 -0.158 0.054 0.085 0.097 0.059 -0.041 0.077 -0.019 -0.181 0.150 0.015 -0.008 -0.110 -0.085 0.073 0.018 0.031 0.022 0.073 -0.032
242.68 297.20 341.70 377.81 411.03 444.68 481.75 520.13 556.39 591.82 623.61 651.83 672.42 688.09 698.50 706.20 714.45 723.75 734.88 746.62 760.70 776.22 786.75 796.38 805.04 811.74 815.66 817.69 819.65 822.04 825.07 828.52 833.67 840.22
0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
COLEOGRAM STATINERITAS DATA DIFERENSI (I) Date: 03/19/10 Time: 01:59 Sample: 1998:01 2010:12 Included observations: 130 Autocorrelation Partial Correlation .|. | .|. | *|. | *|. | .|. | .|. | .|. | .|. | .|. | .|. | *|. | *|. | *|. | *|. | *|. | *|. |
1 2 3 4 5 6 7 8
AC -0.050 -0.149 0.001 -0.019 -0.015 -0.117 -0.092 -0.098
PAC -0.050 -0.152 -0.015 -0.044 -0.021 -0.133 -0.119 -0.164
Q-Stat 0.3306 3.2955 3.2958 3.3460 3.3752 5.2775 6.4651 7.8245
Prob 0.565 0.192 0.348 0.502 0.642 0.509 0.487 0.451
35
.|. .|* .|. .|* .|. .|* .|. .|. *|. *|. .|. .|. .|* *|. .|* .|** *|. .|. .|. .|* .|. *|. *|. .|. .|. *|. .|. .|*
| | | | | | | | | | | | | | | | | | | | | | | | | | | |
.|. .|. .|. .|. .|. .|* *|. .|* *|. *|. *|. *|. .|. *|. .|. .|* *|. .|. .|. .|* .|. *|. .|. .|. *|. *|. .|. .|.
| | | | | | | | | | | | | | | | | | | | | | | | | | | |
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
0.051 0.089 -0.006 0.066 -0.015 0.135 -0.056 0.032 -0.073 -0.177 -0.048 -0.046 0.073 -0.060 0.074 0.230 -0.112 0.018 -0.008 0.076 -0.029 -0.160 -0.060 -0.016 0.019 -0.084 0.051 0.079
-0.011 0.036 -0.010 0.056 -0.041 0.125 -0.061 0.093 -0.066 -0.137 -0.104 -0.090 0.037 -0.085 0.055 0.167 -0.125 -0.012 -0.030 0.094 0.035 -0.115 -0.041 -0.026 -0.060 -0.098 0.005 0.016
8.1985 9.3234 9.3295 9.9583 9.9895 12.683 13.154 13.304 14.117 18.925 19.279 19.602 20.452 21.016 21.893 30.455 32.487 32.541 32.551 33.526 33.669 38.079 38.705 38.752 38.817 40.077 40.543 41.693
0.514 0.502 0.592 0.620 0.695 0.552 0.590 0.650 0.659 0.396 0.439 0.483 0.493 0.520 0.527 0.170 0.144 0.176 0.212 0.217 0.252 0.148 0.161 0.191 0.224 0.219 0.239 0.237
RUMUS SYNTAX DI SOFTWARE EVIEWS UNTUK ESTIMASI PENJUALAN MOTOR WORKFILE M 1998:1 2008:11 DATA PENJUALAN EQUATION EQ1.LS D(PENJUALAN) SHOW EQ1 EQUATION EQ2.LS D(PENJUALAN) SHOW EQ2 EQUATION EQ3.LS D(PENJUALAN) SHOW EQ3 EQUATION EQ3.LS D(PENJUALAN) EXPAND 1998:1 2010:12 SMPL 1998:1 2010:12 FORECAST PENJUALANF PLOT PENJUALAN PENJUALANF SHOW PENJUALAN PENJUALANF
C AR(1) C AR(1) AR(2) C AR(1) MA(1) C AR(1) MA(1)
36
LAMPIRAN 3. UNTUK PROYEKSI PENJUALAN UNI T MOBIL TAHUN 2009 DAN 2010 DALAM PRIODE BULANAN 1. UJI STASIONERITAS DATA A. TAHAP LEVEL ADF Test Statistic
-3.210137
1% Critical Value* -3.5153 5% Critical Value -2.8986 10% Critical Value -2.5863 *MacKinnon critical values for rejection of hypothesis of a unit root. Augmented Dickey-Fuller Test Equation Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 02:16 Sample(adjusted): 2002:06 2008:11 Included observations: 78 after adjusting endpoints Variable Coefficient Std. Error t-Statistic PENJUALAN(-1) -0.420585 0.131018 -3.210137 D(PENJUALAN(-1)) -0.450498 0.144848 -3.110143 D(PENJUALAN(-2)) 0.129260 0.155513 0.831186 D(PENJUALAN(-3)) 0.321833 0.152884 2.105079 D(PENJUALAN(-4)) 0.158170 0.117938 1.341130 C 16.49283 5.625447 2.931825 R-squared 0.511083 Mean dependent var Adjusted R-squared 0.477130 S.D. dependent var S.E. of regression 19.61727 Akaike info criterion Sum squared resid 27708.28 Schwarz criterion Log likelihood -339.7155 F-statistic Durbin-Watson stat 1.963514 Prob(F-statistic)
Prob. 0.0020 0.0027 0.4086 0.0388 0.1841 0.0045 -0.205128 27.12949 8.864501 9.045786 15.05283 0.000000
B. DEFERENSI (I) ADF Test Statistic
-4.158986
1% Critical Value* -3.5164 5% Critical Value -2.8991 10% Critical Value -2.5865 *MacKinnon critical values for rejection of hypothesis of a unit root.
37
Augmented Dickey-Fuller Test Equation Dependent Variable: D(PENJUALAN,2) Method: Least Squares Date: 03/19/10 Time: 02:16 Sample(adjusted): 2002:07 2008:11 Included observations: 77 after adjusting endpoints Variable Coefficient Std. Error t-Statistic D(PENJUALAN(-1)) -1.815924 0.436627 -4.158986 D(PENJUALAN(-1),2) 0.075326 0.394773 0.190808 D(PENJUALAN(-2),2) 0.007389 0.333321 0.022167 D(PENJUALAN(-3),2) 0.132085 0.244846 0.539463 D(PENJUALAN(-4),2) 0.099410 0.120436 0.825419 C -0.066154 2.400433 -0.027559 R-squared 0.831065 Mean dependent var Adjusted R-squared 0.819168 S.D. dependent var S.E. of regression 21.01960 Akaike info criterion Sum squared resid 31369.48 Schwarz criterion Log likelihood -340.6350 F-statistic Durbin-Watson stat 1.974304 Prob(F-statistic)
Prob. 0.0001 0.8492 0.9824 0.5913 0.4119 0.9781 -0.272727 49.42954 9.003506 9.186141 69.85584 0.000000
C. HASIL ESTIMASI 3 MODEL MODEL I AR(1) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 02:17 Sample(adjusted): 2002:03 2008:11 Included observations: 81 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std. Error t-Statistic C -0.094775 1.381014 -0.068627 AR(1) -0.647499 0.086297 -7.503111 R-squared 0.416098 Mean dependent var Adjusted R-squared 0.408707 S.D. dependent var S.E. of regression 20.47687 Akaike info criterion Sum squared resid 33124.89 Schwarz criterion Log likelihood -358.4845 F-statistic Durbin-Watson stat 2.171657 Prob(F-statistic) Inverted AR Roots -.65
Prob. 0.9455 0.0000 -0.148148 26.62945 8.900851 8.959973 56.29668 0.000000
MODEL II AR(1) AR(2) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 02:18 Sample(adjusted): 2002:04 2008:11 Included observations: 80 after adjusting endpoints
38
Convergence achieved after 3 iterations Variable Coefficient Std. Error t-Statistic C 0.024768 1.188702 0.020836 AR(1) -0.757640 0.114144 -6.637556 AR(2) -0.163026 0.114117 -1.428593 R-squared 0.433932 Mean dependent var Adjusted R-squared 0.419229 S.D. dependent var S.E. of regression 20.41919 Akaike info criterion Sum squared resid 32104.64 Schwarz criterion Log likelihood -353.3043 F-statistic Durbin-Watson stat 1.932172 Prob(F-statistic) Inverted AR Roots -.38 -.14i -.38+.14i
Prob. 0.9834 0.0000 0.1572 -0.100000 26.79392 8.907606 8.996932 29.51307 0.000000
MODEL 3 AR(1) MA(1) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 02:19 Sample(adjusted): 2002:03 2008:11 Included observations: 81 after adjusting endpoints Convergence achieved after 8 iterations Backcast: 2002:02 Variable Coefficient Std. Error t-Statistic C -0.026078 1.191941 -0.021879 AR(1) -0.541174 0.144174 -3.753619 MA(1) -0.192516 0.170747 -1.127497 R-squared 0.428062 Mean dependent var Adjusted R-squared 0.413397 S.D. dependent var S.E. of regression 20.39550 Akaike info criterion Sum squared resid 32446.16 Schwarz criterion Log likelihood -357.6460 F-statistic Durbin-Watson stat 1.982077 Prob(F-statistic) Inverted AR Roots -.54 Inverted MA Roots .19
Prob. 0.9826 0.0003 0.2630 -0.148148 26.62945 8.904839 8.993523 29.18922 0.000000
KURVA ESTIMASI PENJUALAN MOBIL 160
120
80
40
0 02
03
04
05
06
PENJUALAN
07
08
09
10
PENJUALANF
39
HASIL PROYEKSI/ FORECASTING 2009-2010 PENJUALAN PENJUALANF 30.00000 30.00000 16.00000 16.00000 12.00000 24.90885 14.00000 18.98423 20.00000 22.66428 16.00000 20.12531 34.00000 21.61315 15.00000 20.49363 13.00000 21.06237 27.00000 20.53797 28.00000 20.72138 32.00000 20.44648 24.00000 20.46834 21.00000 20.29804 57.00000 20.25217 60.00000 20.12573 48.00000 20.05145 66.00000 19.94341 111.0000 19.85723 90.00000 19.75688 87.00000 19.66571 147.0000 19.56860 45.00000 19.47534 121.0000 19.37959 13.00000 19.28545 26.00000 19.19026 19.00000 19.09575 32.00000 19.00080 44.00000 18.90614 33.00000 18.81129 28.00000 18.71656 45.00000 18.62176 19.00000 18.52700 49.00000 18.43222 37.00000 18.33745 73.00000 18.24267 24.00000 18.14790 49.00000 18.05312 52.00000 17.95835 35.00000 17.86357 34.00000 17.76879 45.00000 17.67402 32.00000 17.57924 42.00000 17.48447 36.00000 17.38969
40
46.00000 23.00000 65.00000 20.00000 28.00000 20.00000 26.00000 27.00000 33.00000 29.00000 25.00000 38.00000 31.00000 40.00000 68.00000 32.00000 17.00000 35.00000 27.00000 28.00000 31.00000 37.00000 26.00000 44.00000 28.00000 30.00000 55.00000 14.00000 38.00000 40.00000 42.00000 36.00000 47.00000 47.00000 47.00000 42.00000 29.00000 4.000000 NA NA NA NA NA NA NA NA NA NA NA NA NA
17.29492 17.20014 17.10537 17.01059 16.91582 16.82104 16.72627 16.63149 16.53672 16.44194 16.34717 16.25239 16.15762 16.06284 15.96807 15.87329 15.77852 15.68374 15.58897 15.49419 15.39942 15.30464 15.20987 15.11509 15.02032 14.92554 14.83077 14.73599 14.64121 14.54644 14.45166 14.35689 14.26211 14.16734 14.07256 13.97779 13.88301 13.78824 13.69346 13.59869 13.50391 13.40914 13.31436 13.21959 13.12481 13.03004 12.93526 12.84049 12.74571 12.65094 12.55616
41
NA NA NA NA NA NA NA NA NA NA NA NA
12.46139 12.36661 12.27184 12.17706 12.08229 11.98751 11.89274 11.79796 11.70319 11.60841 11.51364 11.41886
COLEOGRAM STATINERITAS DATA TRINGKAT LEVEL DATA MOBIL Date: 03/19/10 Time: 02:24 Sample: 2002:01 2010:12 Included observations: 83 Autocorrelation Partial Correlation . |*** | . |*** | . |**** | . |**** | . |** | .|. | . |** | .*| . | . |*. | .*| . | .|. | .|. | .|. | .|. | .*| . | .|. | .*| . | .|. | .*| . | .|. | **| . | .*| . | .|. | . |** | **| . | .*| . | .*| . | .*| . | .*| . | .|. | .*| . | .|. | .*| . | .|. | .*| . | .|. | .*| . | .|. | .|. | .|. | .|. | . |*. | .|. | .|. | .|. | .*| . | . |*. | . |*. | .|. | .*| . | .|. | .*| . | .*| . | .*| . | .|. | .|. | .*| . | .|. | .*| . | .|. |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
AC 0.367 0.543 0.321 0.213 0.113 0.044 -0.047 -0.085 -0.137 -0.104 -0.255 0.006 -0.234 -0.083 -0.128 -0.131 -0.065 -0.101 -0.068 -0.035 -0.006 0.009 -0.046 0.142 -0.048 0.036 -0.061 -0.056 -0.066 -0.092
PAC 0.367 0.472 0.064 -0.168 -0.130 -0.024 -0.047 -0.054 -0.055 0.046 -0.181 0.217 -0.109 -0.101 -0.015 -0.035 0.056 -0.055 -0.037 0.031 0.068 -0.041 -0.071 0.124 -0.064 -0.124 -0.126 0.041 0.004 -0.030
Q-Stat 11.578 37.277 46.380 50.441 51.595 51.774 51.976 52.652 54.450 55.501 61.850 61.853 67.375 68.077 69.780 71.583 72.039 73.138 73.655 73.794 73.798 73.808 74.052 76.480 76.764 76.924 77.392 77.794 78.365 79.486
Prob 0.001 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
42
.*| . .*| . .*| . .*| . .*| . .|.
| | | | | |
.|. .*| . .|. .*| . .|. . |*.
| | | | | |
31 32 33 34 35 36
-0.085 -0.111 -0.077 -0.129 -0.096 0.021
-0.009 -0.063 -0.006 -0.104 0.057 0.092
80.475 82.190 83.035 85.434 86.784 86.853
0.000 0.000 0.000 0.000 0.000 0.000
COLEOGRAM STATINERITAS DATA DIFERENSI (I) Date: 03/19/10 Time: 02:25 Sample: 2002:01 2010:12 Included observations: 82 Autocorrelation Partial Correlation *****| . | *****| . | . |*** | .*| . | .*| . | . |*. | .|. | .|. | .|. | .*| . | .|. | .*| . | .|. | .*| . | .|. | .|. | .*| . | .*| . | . |*. | . |*. | **| . | **| . | . |*** | .|. | **| . | .|. | . |*. | .*| . | .|. | .|. | .|. | .*| . | . |*. | .|. | .|. | .|. | .|. | .*| . | .|. | .*| . | .|. | .|. | .|. | .|. | .*| . | .*| . | . |** | .|. | **| . | .|. | . |*. | .|. | .*| . | .*| . | .|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | .|. | .*| . | . |*. | .|. | .*| . | .*| . | .|. | .*| . | . |*. | .|. |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
AC -0.640 0.329 -0.088 -0.005 -0.026 0.014 -0.042 0.010 -0.068 0.133 -0.306 0.388 -0.318 0.174 -0.045 -0.050 0.080 -0.050 -0.005 0.007 0.009 0.050 -0.163 0.273 -0.226 0.149 -0.088 0.016 0.013 -0.030 0.028 -0.056 0.078 -0.075 -0.035 0.116
PAC -0.640 -0.138 0.109 0.036 -0.098 -0.079 -0.063 -0.052 -0.140 0.066 -0.291 0.064 0.025 -0.060 -0.038 -0.123 -0.006 -0.004 -0.075 -0.108 0.007 0.049 -0.103 0.050 0.053 0.030 -0.101 -0.041 -0.009 -0.032 0.021 -0.062 0.043 -0.079 -0.092 -0.036
Q-Stat 34.876 44.194 44.876 44.878 44.939 44.956 45.115 45.125 45.563 47.268 56.362 71.173 81.246 84.300 84.509 84.773 85.455 85.724 85.727 85.733 85.742 86.032 89.144 97.986 104.14 106.89 107.86 107.89 107.92 108.04 108.14 108.58 109.44 110.25 110.44 112.43
Prob 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
43
RUMUS SYNTAX WORKFILE M 2002:1 2008:11 DATA PENJUALAN EQUATION EQ1.LS D(PENJUALAN) SHOW EQ1 EQUATION EQ2.LS D(PENJUALAN) SHOW EQ2 EQUATION EQ3.LS D(PENJUALAN) SHOW EQ3 EQUATION EQ1.LS D(PENJUALAN) EXPAND 2002:1 2010:12 SMPL 2002:1 2010:12 FORECAST PENJUALANF PLOT PENJUALAN PENJUALANF SHOW PENJUALAN PENJUALANF
C AR(1) C AR(1) AR(2) C AR(1) MA(1) C AR(1)
44
