TUGAS KELOMPOK MANAJEMEN OPERASIONAL

Transkripsi

1 TUGAS KELOMPOK MAJEMEN OPERASIOL PERAMALAN PERMINTAAN NO TOPIK IV APLIKASI PADA PT. KRIDA DIMIK AUTONOSA NTB KELOMPOK : ARYO DWIATMOJO RAKSA BUA ( I2A ) DEWI EKAWATI PARLI ( I2A ) MADE SUWANDA ( I2A009044) SITI YULIA M. YUSUF ( I2A009071) KEMENTRIAN PENDIDIKAN SIOL PROGRAM MAGISTER MAJEMEN UNIVERSITAS MATARAM TAHUN 2010 BAB I 1

2 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 No PERUSAHAAN PANGSA PASAR ( PP) % 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 ,00 25,00 20,00 12,00 8,00 3,00 2,00 100, ,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 DIMIK AUTONUSA dari tahun 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

3 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 DATA PENJUALAN UNIT TAHUN DEVISI SEPEDA MOTOR PT KRIDA DIMIK AUTONOSA NTB JUMLAH PENJUALAN Series TAHUN S Sumber : Data Skunder Diolah Berdasarkan grafik diatas dapat dilihat suatu kondisi permintaan konsumen akan produk sepeda motor berbagai merk 3

4 yang di sediakan oleh PT KDA di NTB dalam 11 tahun terakhir. Pada tahun 1998 jumlah penjualan adalah sebesar unit, kemudian tahun 1999 sebesar unit, tahun 2000 sebesar 5342 unit, tahun 2001 sebesar 8451 unit, hingga menyentuh penjualan tertinggi di tahun 2004 yaitu sebesar unit dan ini merupakan prestasi yang gemilang di tahun tersebut, akan tetapi di tahun 2005 penjualan mengalami kemerosotan dengan tingkat penjualan sebesar unit, ditahun 2006 terus mengalami kemerosotan penjualan sebesar unit kendaraan bermotor, hingga ditahun 2007 dan 2008 mulai mengalami peningkatan kembali masingmasing sebesar unit dan unit, akan tetapi tetap saja tidak bisa menyentuh penjualan tertinggi seperti di tahun 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 DATA JUMLAH PENJUALAN UNIT TAHUN DEVISI MOBIL PT KRIDA DIMIK AUTONOSA NTB JUMLAH PENJUALAN Series TAHUN 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

5 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

6 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

7 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

8 (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

9 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

10 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 ALISIS / 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

11 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

12 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

13 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

14 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 : Tabel 2 hasil Uji Stationaritas penjualan sepeda Motor ADF Test Statistic data 1% Critical Value* pada devisi % Critical Value % Critical Value *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 Included observations: 121 after adjusting endpoints Variable Coefficien Std. Error t-statistic Prob. t D(PENJUALAN(-1)) D(PENJUALAN( ),2) D(PENJUALAN( ),2) D(PENJUALAN( ),2) D(PENJUALAN( ),2) C R-squared Mean dependent var

15 Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Log likelihood Durbin-Watson stat Schwarz criterion F-statistic Prob(F-statistic) 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 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 Tabel 3 Perbandingan Model Terbaik dari Data Penjualan Sepeda Motor KONSTANT A AR(1) ARIMA (1,0,0) (0.0542) ( ) ARIMA (0,01) ARIM A (1,0,1 ) (0.1796) ( ) (2.3315) ( ) MODEL AR(2) MA(1) R2 F-STAT AIC (2.0642) (39.269) Sumber : data diolah 15

16 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 Grafik 3 Peramalan Penjualan Sepeda Motor di tahun dan PENJUALAN 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

17 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 Tabel 4 Hasil Estimasi (Proyeksi) Penjualan unit Sepeda Motor tahun 2009 dan 2010 dalam priode bulanan TAHUN 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 Sumber : data diolah dengan software Eviews

18 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 sementara ditahun 2010 hal yang serupa terjadi dimana trend penjualan terus mengalami peningkatan dam puncak peramalan mencapai angka 467 pada bulan desember tahun artinya pada kondisi ini prilaku data penjualan priode sebelumnya efektif untuk memproyeksi penjualan ditahun 2009 dan 2010 setiap bulannya Tabel 5 hasil Uji Stationaritas data pada devisi penjualan Mobil tahun 2009 dan 2010 dalam priode bulanan ADF Test Statistic % Critical Value* % Critical Value % Critical Value *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: :11 Included observations: 77 after adjusting endpoints Variable Coefficien Std. Error t-statistic t D(PENJUALAN(-1)) D(PENJUALAN( ),2) D(PENJUALAN( ),2) D(PENJUALAN( ),2) Prob

19 D(PENJUALAN(4),2) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Durbin-Watson stat F-statistic Prob(F-statistic) 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 yang lebih besar dari nilai kritisnya pada alfa berapapun yaitu , , dan kondisi ini memberikan gambaran bahwa data yang akan digunakan telah di stasionarkan. Sehingga secara metodologis pengujian selanjutnya dapat dilakukan Tabel 6 Perbandingan Model terbaik dari data Penjualan Mobil MODEL ARIM A (1,0,0 KONSTANT A ) ( ) ARIMA (0,01) ARIMA (1,0,1) (0.0208) ( ) AR(1) ( ) (6.6375) (3.7536) AR(2) MA(1) R2 F-STAT AIC ( ) (

20 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 Grafik 4 Peramalan Penjualan Mobil di tahun 2009 dan PENJUALAN 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

21 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 Tabel 7 Hasil Estimasi (Proyeksi) Penjualan unit Mobil tahun 2009 dan 2010 dalam priode bulanan TAHU N 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

22 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

23 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

24 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

25 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

26 DAFTAR PUSTAKA Bank Indonesia dan BP2FE, Laporan Penelitian Model Inflasi Nusa Tenggara Barat. BP2FE L: NTB Gitosudarmo Indriyo, Manajemen Operasi, edisi kedua. BPFE Yogyakarta : Yogyakarta. Kuncoro Mudrajad, Metode Kuantitatif, Teori danaplikasi untuk Bisnis dan Ekonomi. AMP YKPN : Yogyakarta. Kuncoro Mudrajad dan Kardoyo Hadi, Analisis Kurs Valas dengan Pendekatan Box-Jenkins : Jurnal. Sugito Pudjo dan Sumartono. Manajemen Operasional. Edisi pertama. Bayumedia Publishing : Jawa timur ( Malang). Widarjono Agus, Ekonometrika, Teori dan Aplikasi untuk ekonomi dan Bisnis. Ekonesia : Yogyakarta 26

27 LAMPIRAN 1. DATA PENJUALAN DEVISI SEPEDA MOTOR DAN MOBIL DI PT. KRIDA DIMIK AUTONOSA 27

28 LAMPIRAN 2. UNTUK PROYEKSI PENJUALAN UNI T MOTOR TAHUN 2009 DAN 2010 DALAM PRIODE BULAN 1. UJI STASIONERITAS DATA A. TAHAP LEVEL ADF Test Statistic % Critical Value* % Critical Value % Critical Value *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: :11 Included observations: 126 after adjusting endpoints Variable Coefficient Std. Error t-statistic Prob. PENJUALAN(-1) D(PENJUALAN(-1)) D(PENJUALAN(-2)) D(PENJUALAN(-3)) D(PENJUALAN(-4)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var

29 S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) B. DEFERENSI (I) ADF Test Statistic % Critical Value* % Critical Value % Critical Value *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: :11 Included observations: 125 after adjusting endpoints Variable Coefficient Std. Error t-statistic D(PENJUALAN(-1)) D(PENJUALAN(-1),2) D(PENJUALAN(-2),2) D(PENJUALAN(-3),2) D(PENJUALAN(-4),2) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Prob 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: :11 Included observations: 129 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std. Error t-statistic Prob. C AR(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion

30 Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Schwarz criterion F-statistic Prob(F-statistic) MODEL II AR(1) AR(2) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 01:52 Sample(adjusted): 1998: :11 Included observations: 128 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std. Error t-statistic C AR(1) AR(2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots i i Prob MODEL 3 AR(1) MA(1) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 01:53 Sample(adjusted): 1998: :11 Included observations: 129 after adjusting endpoints Convergence achieved after 16 iterations Backcast: 1998:02 Variable Coefficient Std. Error t-statistic C AR(1) MA(1) Prob

31 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Inverted MA Roots Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) KURVA ESTIMASI PENJUALAN MOTOR PENJUALAN PENJUALANF HASIL PROYEKSI/ FORECASTING PENJUALAN PENJUALANF

32

33

34 COLEOGRAM STATINERITAS DATA TRINGKAT LEVEL Date: 03/19/10 Time: 01:58 Sample: 1998: :12 Included observations: 131 Autocorrelation Partial Correlation.*******.*******.****** AC PAC Q-Stat Prob 34

35 .*****.*****.****.****.****.****.****.****.****.****.****.***.***.**.**.**.**.**.**.**.**.**.**.**.**.**.*.*.*.*.*.*.*.*.* *.*.* *... *... *....*.*.....*.. *..*.... *. *..* * COLEOGRAM STATINERITAS DATA DIFERENSI (I) Date: 03/19/10 Time: 01:59 Sample: 1998: :12 Included observations: 130 Autocorrelation Partial Correlation.... *. * *. *. *. *. *. * AC PAC Q-Stat Prob

36 ...*...*...*.... *. *......* *..*.** *......*.. *. *..... *....* * *..* *. *. *. *... *....* *......*.. *..... *. * 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

37 LAMPIRAN 3. UNTUK PROYEKSI PENJUALAN UNI T MOBIL TAHUN 2009 DAN 2010 DALAM PRIODE BULAN 1. UJI STASIONERITAS DATA A. TAHAP LEVEL ADF Test Statistic % Critical Value* % Critical Value % Critical Value *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: :11 Included observations: 78 after adjusting endpoints Variable Coefficient Std. Error t-statistic PENJUALAN(-1) D(PENJUALAN(-1)) D(PENJUALAN(-2)) D(PENJUALAN(-3)) D(PENJUALAN(-4)) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Prob B. DEFERENSI (I) ADF Test Statistic % Critical Value* % Critical Value % Critical Value *MacKinnon critical values for rejection of hypothesis of a unit root. 37

38 Augmented Dickey-Fuller Test Equation Dependent Variable: D(PENJUALAN,2) Method: Least Squares Date: 03/19/10 Time: 02:16 Sample(adjusted): 2002: :11 Included observations: 77 after adjusting endpoints Variable Coefficient Std. Error t-statistic D(PENJUALAN(-1)) D(PENJUALAN(-1),2) D(PENJUALAN(-2),2) D(PENJUALAN(-3),2) D(PENJUALAN(-4),2) C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Prob 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: :11 Included observations: 81 after adjusting endpoints Convergence achieved after 3 iterations Variable Coefficient Std. Error t-statistic C AR(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots -.65 Prob MODEL II AR(1) AR(2) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 02:18 Sample(adjusted): 2002: :11 Included observations: 80 after adjusting endpoints 38

39 Convergence achieved after 3 iterations Variable Coefficient Std. Error t-statistic C AR(1) AR(2) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots i i Prob MODEL 3 AR(1) MA(1) Dependent Variable: D(PENJUALAN) Method: Least Squares Date: 03/19/10 Time: 02:19 Sample(adjusted): 2002: :11 Included observations: 81 after adjusting endpoints Convergence achieved after 8 iterations Backcast: 2002:02 Variable Coefficient Std. Error t-statistic C AR(1) MA(1) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic) Inverted AR Roots -.54 Inverted MA Roots.19 Prob KURVA ESTIMASI PENJUALAN MOBIL PENJUALAN PENJUALANF 39

40 HASIL PROYEKSI/ FORECASTING PENJUALAN PENJUALANF

41

42 COLEOGRAM STATINERITAS DATA TRINGKAT LEVEL DATA MOBIL Date: 03/19/10 Time: 02:24 Sample: 2002: :12 Included observations: 83 Autocorrelation Partial Correlation. ***. ***. ****. ****. **... **.*.. *..* *....*....*... **..*.... ** **..*..*..*..*....*....*....*....* * *.. *.. *....*....*..*..*......*....* AC PAC Q-Stat Prob

43 .*..*..*..*..*......*....*.... * COLEOGRAM STATINERITAS DATA DIFERENSI (I) Date: 03/19/10 Time: 02:25 Sample: 2002: :12 Included observations: 82 Autocorrelation Partial Correlation *****. *****.. ***.*..*.. * *....*....*......*..*.. *.. *. **. **.. ***.. **.... *..* *.. * *....* *..*.. **.. **.... *....*..* *.. *....*..*....*.. * AC PAC Q-Stat Prob 43

44 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