III. METODE PENELITIAN 3.1. Kerangka Pemikiran Penelitian Perusahaan memiliki tujuan yang pada dasarnya mendapatkan keuntungan demi kelancaran usahanya dan mampu bersaing dalam lingkungan bisnis secara global dengan memiliki kelebihan dibandingkan perusahaan lainnya. Kondisi pasar yang terus berubah dan munculnya fenomena dalam lingkungan pemasaran mengakibatkan perlunya peramalan dilakukan untuk memprediksi kejadian di masa yang akan datang. Pada penelitian ini terlebih dahulu dilakukan pengumpulan informasi mengenai gambaran secara umum perusahaan beserta visi&,misi dan tujuan perusahaan. Terdapat dua jenis data yang digunakan untuk dilakukan analisis VAR (Vector Autoregression) dan analisis VECM (Vector Error Corection Model). Analisis VECM untuk menunjukkan adanya kointegrasi tetapi data tersebut tidak stasioner dan analisis VAR untuk menunjukkan data tersebut kointegrasi tapi stationer. Kemudian melakukan analisis IRF dan FEVD untuk melihat korelasi antara data pasokan dengan data penjualan yang kemudian dilakukan peramalan melalui analisis FEVD. Hasil analisis digunakan untuk merancang strategi pemasaran perusahaan tetapi hanya berbentuk sebuah saran untuk perbaikan strategi pemasaran perusahaan. Pada penelitian ini menggunakan metode time series untuk meramalkan pasokan dan penjualan perusahaan, di mana hasil peramalan dapat digunakan sebagai acuan dalam menentukan jumlah produk yang dapat di pasarkan kepada konsumen industri komersil maupun rumah tangga. Dengan meramalkan permintaan dari penjualan, perusahan diharapkan dapat memasarkan produk Gas sesuai dengan permintaan dan diharapkan perusahaan dapat melakukan ekspansi perusahaan ke seluruh wilayah Indonesia. Setelah melakukan peramalan pasokan dan penjualan, kemudiaan melakukan identifikasi permasalahan terhadap pemasaran dari penjualan gas tersebut dengan merencanakan strategi dari hasil peramalan bulan kedepannya. Hal ini dilakukan untuk mengindentifikasi kendala
yang terdapat pada sistem pemasaran penelitian yang dilakukan dapat dilihat pada Gambar 1. pada perusahaan. Kerangka pemikiran Perusahaan Energi XZY Ingin mengetahui hubungan antar pasokan gas dan penjualan gasdigunakan untuk menyususn perencanaan yang lebih baik Data Pasokan gas dan penjualan gas Uji Stasioner Ya Tidak Stabilitas VAR VAR Stasioner? VECM Uji Kointegrasi Model VECM Stabilitas Analisis Sebab Akibat (Kausalitas Granger) Menentukan Lag Optimal Impluse Respond Funtion Dekomposisi Galat Peramalan Forecasting Error Variance Decompotion (FEVD) Hasil Analisis Implikasi Manajerial Gambar 1. Kerangka pemikiran
Tahapan Penelitian Tahapan penelitian disajikan pada Gambar 2 berikut ini Pra Penelitian Identifikasi Minat Gagasan-gagasan Studi Pustaka dan diskusi Penentuan Topik Penelitian Pemilihan Topik Penelitian: Analisis Peramalan Penjualan menggunakan kointegrasi antar komoditas di Perusahaan Energi XYZ Perumusan Masalah : 1. Bagaimana kointegrasi antara penjualan gas dan pasokan gas di perusahaan energi XYZ 2. Bagaimana prediksi penjualan dan pasokan Gas Alam untuk 50 bulan kedepan dari penjualan oktober 2010 dan tingkat pengaruh antara pasokan dan penjualan 3. Bagaimana kointegrasi produk dan ramalan penjualan memiliki kontribusi dalam perencanaan strategi yang mungkin diterapkan perusahaan Tujuan Penelitian : 1. Mengetahui pola pasokan dan penjulana Gas Alam di Perusahaan Energi XYZ dari tahun 2005 sampai tahun 2010 2. Mengetahui penjualan dan pasokan Gas Alam untuk 50 bulan kedepan dari penjualan oktober 2010 dan tingkat pengaruh antara pasokan dan penjualan 3. kointegrasi produk dan ramalan penjualan memiliki kontribusi dalam perencanaan strategi yang mungkin diterapkan perusahaan Rancangan Pengumpulan Data: Identifikasi kebutuhan data, Metode pengumpulan data, Pemilihan teknik analisis Studi Pendahuluan Pengumpulan dan pengolahan data Penyusunan Riset Desain Pengolahan Data Lapangan : Observasi Analisis Data Pengolahan Data : 1. Pengumpulan Data dan informasi 2. Identifikasi model Peramalan 3. Pengolahan data dan Analisis 1. Analisis Kointegrasi 2. Analisis IRF dan FEVD VAR Atau VECM Kesimpulan dan Saran Gambar 2. Tahapan penelitian
3.2. Lokasi dan Waktu Penelitian Penelitian dilakukan di Perusahan Energi XYZ yang beralamat Jakarta. Perusahaan Energi XYZ di pilih untuk menjadi tempat penelitian ini merupakan perusahan yang menyediakan dan mendistribusikan dan menyalurkan Energi XYZ ke konsumen di Indonesia. Penelitian ini dilaksanakan pada bulan Januari 2011 sampai dengan Maret 2011 3.3. Metode Pengumpulan Data Data yang di perlukan dari dua sumber yaitu data primer dan data skunder yang bersifat kualitatif dan kuantitatif. Data primer adalah data yang di peroleh secara langsung dari perusahaan dengan cara hasil analisa dan pengamatan langsung di lapangan serta wawancara langsung dengan pihak manajemen sebagai narasumber. Sedangkan data sekunder yang di dapatkan dari sumber-sumber lain yang berfungsi sebagai pelengkap dari data primer yang di kumpulkan dari bukubuku ataupun laporan penelitian yang relevan, baik itu berupa laporan bulanan dan tahunan menajemen perusahaan yang berkaitan dengan data penjualan, data distibusi dan lain-lain. Metode yang digunakan dalam mengumpulkan data yang relevan untuk menunjang evaluasi dan analisa dalam penelitian adalah sebagai berikut : Observasi Pengamatan langsung obyek penelitian dengan tujuan untuk memahami kondisi proses distribusi dan penjualan yang terjadi. Observasi dilakukan mulai dari bagian data entry sampai dengan produk dilakukan proses muat barang untuk didistribusikan ke pasar domestik. Wawancara Melakukan wawancara khususnya kepada karyawan Perusahaan Energi XYZ bagian Divisi Pemasaran untuk mendapatkan data dan informasi yang relevan. Pelaksanaannya dilakukan secara langsung berhadapan muka dengan orang yang diwawancarai.
Studi Literatur Data sekunder adalah data yang berasal dari buku-buku, jurnal dan hasil penelitian terdahulu. 3.4. Pengolahan Data dan Analisis Data Pengumpulan data yang di butuhkan kemudian diolah dan dianalisa sehingga dapat melihat gambaran dan penjelasan permasalahan dalam penelitian ini. Pengolahan dan analisis data di harapkan dapat menentukan langkah-langkah prospek pemasaran yang dapat dilakukan dalam pemasaran dan penjualan gas di Perusahaan Energi XYZ. Metode pengolahan data dan analisis data yang digunakan dalam penelitian akan di uraikan secara kualitatif dan kuantitaif. Analisis data kualitatif mengetahui keunggulaan yang dimiliki dari perusahan dari penjualan gas dan layanan dengan membandingkan dengan produk yang sama dari pesaing dan pengolahan data mengambarkan keadaan umum perusahaan. Sedangkan analisis data kuantitatif digunakan untuk meramalkan penjualan Gas selama 50 bulan kedepan dengan mengunakan analisis deret waktu (time series) sehingga hasil dari peramalan pejualan yang akan dijadikan landasan perencanaan penjualan satu tahun mendatang kemudian di jadikan prospek pemasaran terbaik pada bulan yang akan datang. Data pasokan dan penjualan gas di perusahaan tersebut kemudian ditabulasikan dengan mengunakan bantuan program Microsoft Excel dan kemudian dimasukan ke program eviews 6. Setelah proses peramalan di ketahui maka disusun kedalam strategi pemasaran untuk menganalisa dan menetukan faktor-faktor kendala yang digunakan untuk pemasaran optimal ke depan, untuk sampai pada proses analisis tersebut VAR atau VECM terdapat beberapa tahap langkah yang harus di lakukan sebagai berikut :
Gambar 3. Langkah analisis VAR atau VECM 3.4.1 Uji stationeritas Data. Uji stationer sangat penting dalam analisis time series. Pengujian stasioneritas ini dilakukan dengan menguji akar-akar unit. Data yang tidak stationer akan mempunyai akar-akar unit, sebaliknya data yang stationer tidak ada akar-akar unit. Data yang tidak stationer akan menghasilkan regresi lancing yaitu regresi yang menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik padahal kenyataannya tidak atau tidak sebesar regresi yang dihasilkan tersebut (Laksani, 2004). Salah satu cara yang dapat digunakan untuk mengetahui kestationeran data adalah pengujian akar-akar unit dengan metode Dickey Fuller (DF). Misalkan model persamaan time series sebagai yt = pyt-1 + e. Dengan mengurangkan kedua sisi persamaan tersebut dengan yt-1 maka akan didapatkan persamaan : yt-1 = δyt-1 + et
Dimana merupakan perbedaan pertama dan δ = (p-1) sehingga hipotesis yang diuji adalah Ho : δ < 0. Model pengujian unit root yang digunakan dalam banyak penelitian adalah model Aughmented Dickey Fuller (ADF) test. Model umum dari ADF adalah sebagai berikut : yt = k + αyt-1+ c1 yt-1 + c2 yt-2 +.+ cp yt-p + et...(1) Hipotesis yang diuji pada uji ADF adalah apakah Ho : δ = 0 dengan hipotesis alternatif Ho : δ < 0. Jika nilai ADF statistiknya lebih kecil dari Mac Kinnon Critical value maka hipotesis nol yang menyatakan bahwa data tidak stationer ditolak terhadap hipotesis alternatifnya dengan kata lain dengan menolak Ho berarti data stationer. Solusi yang dapat dilakukan apabila data tidak stationer pada uji ADF adalah dengan melakukan difference non stationery process. Test tersebut dilakukan untuk meningkatkan akurasi dari analisis apabila data yang di amati stationer. Test ini hanya merupakan pelengkap dari analisis VAR karena tujuan dari analisis VAR adalah untuk menilai adanya hubungan timbal balik diantara variabel yang diamati. 3.4.2 Uji korelasi parsial Uji korelasi Parsial digunakan untuk mengukur keeratan. hubungan antara dua variabel yaitu variabel penjualan dan pasokan. Tingkat keeratan hubungan (koofisiensi korelasi) bergerak dari 0-1, jika r mendekati 1 (misalnya 0,95) ini dikatakan bahwa memliki hubungan yang sangat erat sebaliknya, jika mendekati 0 (misalnya 0.10) dapat dikatakan mempunyai hubungan yang rendah. 3.4.3 Uji Kaulitas Grenger Uji Kaulitas granger digunakan untuk membuktikan membuktikan apakah suatu variabel mempunyai hubungan dua arah, atau hanya satu arah saja. Hipotesis nol yang yang diuji menyatakan tidak adanya kausalitas diantara variabel sedangkan hipotesis alternatifnya menyatakan adanya hubungan kausalitas diantara variabel. Untuk menolak atau menerima hipotesis nol, maka dapat melihat nilai probabilitasnya yang dibandingkan dengan tingkat kepercayaan, pada penelitian ini menggunakan nilai kritis 5 persen. Jika nilai probabilitasnya lebih besar dari 5 persen maka hipotesis nol ditolak yang artinya terdapat hubungan kausalitas pada variabel-variabel yang diuji.
3.4.4 Uji Lag Optimal Uji lang optimal dilakukan untuk mengetahui berapa jumah selang yang sesuai untuk diamati. Informasi kriteria untuk menentukan panjang lag yang tepat adalah dengan menggunakan pemilihan kriteria model Final Prediction Error (FPE), Akaike Information Criteria (AIC), Schwarz Criteria (SC), dan Hannan- Quinn (HQ). Pada pengujian pemilihan lag melalui kriteria tersebut, akan didapat kandidat lag pada masing-masing kriteria yang merujuk pada lag optimal. Pada Eviews 6 memberikan tanda bintang pada nilai AIC dan SC terkecil. Salah satu metode yang paling umum digunakan untuk menentukan panjang lag adalah dengan melihat AIC nya. Rumus AIC adalah (Gujarati, 2004): AIC = T Log + 2n...(2) Dimana: T = jumlah observasi yang digunakan = determinan dari matriks raga/koragam dari sisaan n = jumlah parameter yang diestimasi dalam semua persamaan 3.4.5 Uji Kointegrasi Metode kointegrasi yang dapat digunakan diantaranya metode kointegrasi metode kointegrasi Johansen untuk memperoleh hubungan jangka panjang antara variabel-variabel dalam model. Metode kointegrasi Johansen digunakan karena dalam penelitian ini menggunakan metode analisis VAR. Metode kointegrasi Johansen ini berbeda dengan metode Engle Granger yang biasanya menggunakan satu persamaan saja. Metode kointegrasi dilakukan untuk melihat secara empirik hubungan antara teori jangka panjang (the long run theory) dan dinamika jangka pendek. Untuk menguji batasan kointegrasi, johansen mendefinisikan dua buah matriks α dan β dimensi (nxr) dimana r merupakan peringkat dari, sehingga: = α β...(3) Dimana: α = matriks bobot dari setiap vektor kointegrasi yang ada didalam n persamaan VAR. α juga dapat dikatakan sebagai matriks parameter speed of adjusment (Enders, 2004) β = matriks parameter kointegrasi
Hipotesis dari metode Johansen adalah sebagai berikut (Enders, 2004): : r = 0 : 0 < r < g : r = 0 : 0 < r < g : r = 0 : 0 < r < g...... : r = g-1 : r = g Pengujian pertama menyebutkan hipotesis nol dengan tidak adanya vektor kointegrasi. Jika hipotesis ini gagal ditolak, dapat disimpulkan bahwa tidak ada vektor kointegrasi dan pengujian telah diselesaikan. Namun jika hipotesis tersebut ditolak, maka pengujian akan dilakukan terus menerus dan begitu seterusnya sampai nilai dari r akan meningkat sampai hipotesis tersebut gagal ditolak. 3.4.6 Uji Stabilitas Model Metode yang digunakan untuk melakukan analisis pengaruh terhadap pasokan dan penjulan gas di Perusahaan energi XYZ adalah analisis impuls respons (IRF) dan analisis peramalan dekomposisi ragam dahulu (FEDV). Namun kedua analisis di uji harus di uji stabilitas VAR dilakukan dengan characteristic poliminal. Jika semua akar dari fungsi polinominal tersebut berada didalam unit circle atau jika nilai absolutnya < 1 maka model var tersebut dianggap stabil sehingga IRF dan FEVD yang dihasilkan dianggap valid (Windarti, 2004). 3.4.7 Analisis Impuls Respon Function (IRF) VAR adalah metode yang digunakan untuk menentukan sendiri struktur dinamisnya dari suatu model. Setelah melakukan uji VAR, dibutuhkan adanya metode yang dapat mencirikan struktur dinamis yang dihasilkan oleh VAR secara jelas. Pengujian ini dilakukan untuk menguji sturktur dinamis dari sistem variabel dalam model yang dicerminkan oleh variabel inovasi (innovation variable). Salah satu bentuk dari test ini adalah Impuls Respon Function (IRF). IRF dapat menunjukan respon dari setiap variable endogen sepanjang waktu terhadap kejutan dari variabel itu sendiri dan variabel endogen lainnya. IRF dapat juga mengindetifikasikan suatu kejutan pada satu variabel endogen sehingga dapat menentukan bagaimana suatu perubahan yang tidak diharapkan dalam variabel mempengaruhui variabel lainnya sepanjang waktu. Maka, IRF digunakan untuk melihat pengaruh kontemporer dari sebuah variabel dependen jika
mendapatkan guncangan atau inovasi dari variabel independen sebesar satu standard deviasi. Hasil IRF tersebut sangat peka terhadap pengurutan (ordering) variabel yang digunakan dalam perhitungan. Pengurutan variabel yang didasarkan pada faktorisasi cholesky 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 diantara kedua variabel tersebut berdasarkan nilai matriks korelasi yang menyatakan tingkat korelasi paling besar. Kebutuhan ordering ini bisa melalui uji kausalitas Grenger, dimana urutan variabel berdasarkan pada variabel yang paling banyak signifikan mempengaruhi variabel lain. IRF juga digunakan untuk mengetahui berapa lama pengaruh shock dari satu variabel terhadap variabel yang lain terhadap variabel yang lain tersebut terjadi. IRF berfungsi untuk mengisolasi suatu guncangan agar lebih spesifik artinya variabel ekonomi hanya dipengaruhui oleh shock atau guncangan tertentu saja. Apabila hal tersebut tidak dilakukan, maka shock spesifik tersebut tidak dapat diketahui dan yang dapat diketahui adalah shock secara umum. 3.4.8 Analisis Forecast Error Decomposition Of Variance (FEDV) Forecast Error Decompostion of Variance (FEDV) mampu memberikan informasi mengenai variabel inovasi yang relative lebih penting dalam VAR. Metode ini dapat digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro, yang ditunjukan oleh perubahan variance error yang di pengaruhi oleh variabel-variabel lainnya. Metode ini digunakan untuk merincikan struktur dinamis dalam model VAR. Menggunakan metode ini dapat dilihat juga kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhui variabel lainnya pada kurun waktu yang panjang (howlong / how persistent). Dekomposisi varians merinci varians dari error peramalan (forecast) menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Melakukan perhitungan persentase squared prediction error k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, dapat dilihat seberapa error peramalan variabel tersebut disebabkan oleh variabel itu sendiri dan variabel-variabel lainnya.