proyeksi penjualan tahun 2010 di pt krida dinamik autonosa ntb oleh : aryo dwiatmojo rb (universitas...
Post on 27-Jul-2015
1.434 Views
Preview:
DESCRIPTION
TRANSCRIPT
TUGAS KELOMPOKMANAJEMEN 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 NASIONALPROGRAM 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 PERUSAHAANPANGSA PASAR ( PP) %
2006 2007 2008
1234567
KRIDAASTRA HONDASPSMPMNSSPADOLO MOTORSURYA UTAMA PERKASA
31,0023,0021,0013,008,002,002,00
30,0025,0020,0012,008,003,002,00
31,0027,0019,0010,008,003,002,00
TOTAL 100,00 100,00 100,00
Sumber : PT. Krida Dinamik Autonosa NTB
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
1 2 3 4 5 6 7 8 9 10 11
S1
436151885342
8451
1383415501
24524
1747116458
1910621343
0
5000
10000
15000
20000
25000
TAHUN 1998-2008
JUMLAH PENJUALAN
DATA PENJUALAN UNIT TAHUNAN DEVISI SEPEDA MOTOR PT KRIDA DINAMIK AUTONOSA NTB
Series1
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
Sumber : Data Skunder DiolahBerdasarkan grafik diatas dapat dilihat suatu kondisi
permintaan konsumen akan produk sepeda motor berbagai merk
3
1 2 3 4 5 6 7
S1
257
877
418483
385 390 386
0
100
200
300
400
500
600
700
800
900
TAHUN 2002-2008
JUMLAH PENJUALAN
DATA JUMLAH PENJUALAN UNIT TAHUNAN DEVISI MOBIL PT KRIDA DINAMIK AUTONOSA NTB
Series1
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 masing-
masing 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
Sumber : Data Skunder diolahBerdasarkan 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 Box-
Jenkins. 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
8
Rumuskan model umum dan uji stationaritas data
Identifikasi Model tentative(model ARIMA)
Estimasi Parameter Atas modeltentatif
Uji diagnostik Apakah model sudah tepat
Tidak
Ya
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
Gunakan Model untuk Peramalan
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, dan pendapat distributor tidak digunakan, atau
diasumsikan dalam keadaan 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 data pada devisi penjualan sepeda Motor
ADF Test Statistic -5.089444
1% Critical Value* -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 EquationDependent Variable: D(PENJUALAN,2)Method: Least SquaresDate: 03/18/10 Time: 01:18Sample(adjusted): 1998:11 2008:11Included observations: 121 after adjusting endpoints
Variable Coefficient
Std. Error t-Statistic Prob.
D(PENJUALAN(-1)) -1.442351
0.283401 -5.089444 0.0000
D(PENJUALAN(-1),2)
0.345334 0.249397 1.384677 0.1688
D(PENJUALAN(-2),2)
0.127985 0.211120 0.606222 0.5456
D(PENJUALAN(-3),2)
0.087982 0.163153 0.539261 0.5907
D(PENJUALAN(-4),2)
0.036056 0.107870 0.334255 0.7388
C 6.844567 33.46393 0.204536 0.8383R-squared 0.514614 Mean dependent
var-
12.1074
14
4Adjusted R-squared 0.493510 S.D. dependent var 513.033
1S.E. of regression 365.1158 Akaike info criterion 14.6866
2Sum squared resid 1533060
0 Schwarz criterion 14.8252
6Log likelihood -
882.5406 F-statistic 24.3849
8Durbin-Watson stat 1.899014 Prob(F-statistic) 0.00000
0
Sumber : data diolahBerdasarkan 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
MODELKONSTANT
A AR(1) AR(2) MA(1) R2 F-STAT AIC
ARIMA (1,0,0)
1.6005(0.0542)
-0.0567( -
0.6047) - -0.00
20.365
714.593
ARIMA (0,01)
4.3001 (0.1796)
-0.0920(-0.9671)
-0.2062(-
2.0642) -0.03
52.307
814.583
ARIMA
(1,0,1)
11.6938(2.3315)
0.7197(9.5863
) -
-0.9701(-
39.269)0.09
26.437
814.514
Sumber : data diolah
15
0
500
1000
1500
2000
2500
3000
3500
98 99 00 01 02 03 04 05 06 07 08 09 10
PENJUALAN PENJUALANF
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, R-
square 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 akurat.
Dengan proyeksi yang mendekati nilai aktual.
2.2.3. Grafik 3 Peramalan Penjualan Sepeda Motor di tahun
2009 dan 2010
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 BULAN HASIL PROYEKSI
2009 JANUARI 430.6467
FEBUARI 432.2472
MARET 433.8477
APRIL 435.4482
MEI 437.0487
JUNI 438.6492
JULI 440.2497
AGUSTUS 441.8502
SEPTEMBER
443.4507
OKTOBER 445.0512
NOVEMBER 446.6517
DESEMBER 448.2522
2010 JANUARI 449.8527
FEBUARI 451.4532
MARET 453.0537
APRIL 454.6542
MEI 456.2547
JUNI 457.8552
JULI 459.4557
AGUSTUS 461.0562
SEPTEMBER
462.6567
OKTOBER 464.2572
NOVEMBER 465.8577
DESEMBER 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 EquationDependent Variable: D(PENJUALAN,2)Method: Least SquaresDate: 03/19/10 Time: 02:16Sample(adjusted): 2002:07 2008:11Included observations: 77 after adjusting endpoints
Variable Coefficient
Std. Error t-Statistic Prob.
D(PENJUALAN(-1)) -1.815924
0.436627 -4.158986 0.0001
D(PENJUALAN(-1),2)
0.075326 0.394773 0.190808 0.8492
D(PENJUALAN(-2),2)
0.007389 0.333321 0.022167 0.9824
D(PENJUALAN(- 0.132085 0.244846 0.539463 0.5913
18
3),2)D(PENJUALAN(-
4),2) 0.099410 0.120436 0.825419 0.4119
C -0.066154
2.400433 -0.027559 0.9781
R-squared 0.831065 Mean dependent var
-0.27272
7Adjusted R-squared 0.819168 S.D. dependent var 49.4295
4S.E. of regression 21.01960 Akaike info criterion 9.00350
6Sum squared resid 31369.48 Schwarz criterion 9.18614
1Log likelihood -
340.6350 F-statistic 69.8558
4Durbin-Watson stat 1.974304 Prob(F-statistic) 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
MODELKONSTANT
A AR(1) AR(2) MA(1) R2 F-STAT AIC
ARIMA
(1,0,0)
-0.0947(-0.0686)
-0.6474
(-7.5031
) - -0.41
656.29
66 8.9008
ARIMA (0,01)
0.0247 (0.0208)
-0.75764
(-6.6375)
-0.1630( -
1.4285) -0.43
329.51
30 8.9076ARIMA (1,0,1)
-0.0260 -0.5411 - - 0.42 29.18 8.9048
19
0
40
80
120
160
02 03 04 05 06 07 08 09 10
PENJUALAN PENJUALANF
(-0.0218)(-
3.7536)
0.19251(-
1.1274) 8 92Sumber : 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
2010
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
20
penurunan yang cukup signifikan. Sehingga model ARIMA
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
TAHUN BULAN
HASIL PROYEKSI
2009 JANUARI 13.59869
FEBUARI 13.50391
MARET 13.40914
APRIL 13.31436
MEI 13.21959
JUNI 13.12481
JULI 13.03004
AGUSTUS 12.93526
SEPTEMBER
12.84049
OKTOBER 12.74571
NOVEMBER 12.65094
DESEMBER 12.55616
2010 JANUARI 12.46139
FEBUARI 12.36661
MARET 12.27184
APRIL 12.17706
MEI 12.08229
JUNI 11.98751
JULI 11.89274
AGUSTUS 11.79796
SEPTEMBER
11.70319
OKTOBER 11.60841
21
NOVEMBER 11.51364
DESEMBER 11.41886
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
23
bulannya , hingga di bulan Desember 2009 penjualan
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. Rata-
rata 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
24
kendaraan (Mobil), untuk mengantisipasi kondisi ini maka
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 DATAA. 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 EquationDependent Variable: D(PENJUALAN)Method: Least SquaresDate: 03/19/10 Time: 01:50Sample(adjusted): 1998:06 2008:11Included 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 0.8412D(PENJUALAN(-2)) -0.142913 0.105888 -1.349668 0.1797D(PENJUALAN(-3)) 0.018899 0.106511 0.177438 0.8595D(PENJUALAN(-4)) 0.002123 0.104448 0.020325 0.9838
C 149.1563 65.95654 2.261433 0.0255R-squared 0.083893 Mean dependent var 0.182540Adjusted R-squared 0.045722 S.D. dependent var 357.5510
28
S.E. of regression 349.2814 Akaike info criterion 14.59608Sum squared resid 14639704 Schwarz criterion 14.73114Log likelihood -913.5531 F-statistic 2.197807Durbin-Watson stat 1.902214 Prob(F-statistic) 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 EquationDependent Variable: D(PENJUALAN,2)Method: Least SquaresDate: 03/19/10 Time: 01:53Sample(adjusted): 1998:07 2008:11Included observations: 125 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. D(PENJUALAN(-1)) -1.439042 0.278606 -5.165145 0.0000
D(PENJUALAN(-1),2) 0.341325 0.245027 1.393011 0.1662D(PENJUALAN(-2),2) 0.123910 0.207272 0.597812 0.5511D(PENJUALAN(-3),2) 0.082813 0.159978 0.517652 0.6057D(PENJUALAN(-4),2) 0.031394 0.105355 0.297983 0.7662
C 6.916694 32.38611 0.213570 0.8312R-squared 0.514771 Mean dependent var -11.46400Adjusted R-squared 0.494383 S.D. dependent var 505.2208S.E. of regression 359.2460 Akaike info criterion 14.65270Sum squared resid 15357862 Schwarz criterion 14.78846Log likelihood -909.7938 F-statistic 25.24902Durbin-Watson stat 1.896754 Prob(F-statistic) 0.000000
C. HASIL ESTIMASI 3 MODEL
MODEL I AR(1)
Dependent Variable: D(PENJUALAN)Method: Least SquaresDate: 03/19/10 Time: 01:51Sample(adjusted): 1998:03 2008:11Included observations: 129 after adjusting endpointsConvergence 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 0.5464R-squared 0.002871 Mean dependent var 1.201550Adjusted R-squared -0.004980 S.D. dependent var 353.4049
29
S.E. of regression 354.2838 Akaike info criterion 14.59346Sum squared resid 15940661 Schwarz criterion 14.63779Log likelihood -939.2779 F-statistic 0.365730Durbin-Watson stat 1.886762 Prob(F-statistic) 0.546420Inverted AR Roots -.06
MODEL II AR(1) AR(2)
Dependent Variable: D(PENJUALAN)Method: Least SquaresDate: 03/19/10 Time: 01:52Sample(adjusted): 1998:04 2008:11Included observations: 128 after adjusting endpointsConvergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob. C 4.300139 23.94166 0.179609 0.8578
AR(1) -0.092033 0.095161 -0.967135 0.3353AR(2) -0.206263 0.099923 -2.064229 0.0411
R-squared 0.035610 Mean dependent var 0.750000Adjusted R-squared 0.020180 S.D. dependent var 354.7562S.E. of regression 351.1584 Akaike info criterion 14.58351Sum squared resid 15414031 Schwarz criterion 14.65035Log likelihood -930.3447 F-statistic 2.307836Durbin-Watson stat 1.901315 Prob(F-statistic) 0.103701Inverted AR Roots -.05 -.45i -.05+.45i
MODEL 3 AR(1) MA(1)
Dependent Variable: D(PENJUALAN)Method: Least SquaresDate: 03/19/10 Time: 01:53Sample(adjusted): 1998:03 2008:11Included observations: 129 after adjusting endpointsConvergence achieved after 16 iterationsBackcast: 1998:02
Variable Coefficient Std. Error t-Statistic Prob. C 11.69385 5.015577 2.331506 0.0213
30
0
500
1000
1500
2000
2500
3000
3500
98 99 00 01 02 03 04 05 06 07 08 09 10
PENJUALAN PENJUALANF
AR(1) 0.719726 0.075078 9.586392 0.0000MA(1) -0.970116 0.024704 -39.26990 0.0000
R-squared 0.092714 Mean dependent var 1.201550Adjusted R-squared 0.078313 S.D. dependent var 353.4049S.E. of regression 339.2848 Akaike info criterion 14.51454Sum squared resid 14504385 Schwarz criterion 14.58105Log likelihood -933.1877 F-statistic 6.437876Durbin-Watson stat 1.731213 Prob(F-statistic) 0.002177Inverted AR Roots .72Inverted MA Roots .97
KURVA ESTIMASI PENJUALAN MOTOR
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
31
339.0000 238.5867 299.0000 240.1872 398.0000 241.7877 399.0000 243.3882 292.0000 244.9887 232.0000 246.5892 352.0000 248.1897 437.0000 249.7902 517.0000 251.3907 584.0000 252.9912 596.0000 254.5917 743.0000 256.1922 190.0000 257.7927 416.0000 259.3932 510.0000 260.9937 352.0000 262.5942 425.0000 264.1947 416.0000 265.7952 435.0000 267.3957 573.0000 268.9962 571.0000 270.5967 486.0000 272.1972 506.0000 273.7977 462.0000 275.3982 470.0000 276.9987 625.0000 278.5992 677.0000 280.1997 665.0000 281.8002 724.0000 283.4007 684.0000 285.0012 901.0000 286.6017 840.0000 288.2022 542.0000 289.8027 900.0000 291.4032 822.0000 293.0037 601.0000 294.6042 856.0000 296.2047 952.0000 297.8052 953.0000 299.4057 1085.000 301.0062 1294.000 302.6067 1116.000 304.2072 1355.000 305.8077 1412.000 307.4082 823.0000 309.0087 1347.000 310.6092 1653.000 312.2097 988.0000 313.8102 1010.000 315.4107 784.0000 317.0112 838.0000 318.6117
32
949.0000 320.2122 1142.000 321.8127 1327.000 323.4132 1469.000 325.0137 1745.000 326.6142 1672.000 328.2147 1659.000 329.8152 1483.000 331.4157 1423.000 333.0162 1042.000 334.6167 1055.000 336.2172 1365.000 337.8177 1887.000 339.4182 2528.000 341.0187 3062.000 342.6192 2635.000 344.2197 2552.000 345.8202 2441.000 347.4207 2461.000 349.0212 1494.000 350.6217 2002.000 352.2222 1531.000 353.8227 1299.000 355.4232 1525.000 357.0237 1560.000 358.6242 1586.000 360.2247 1300.000 361.8252 1678.000 363.4257 2275.000 365.0262 1502.000 366.6267 1402.000 368.2272 770.0000 369.8277 1043.000 371.4282 717.0000 373.0287 742.0000 374.6292 746.0000 376.2297 794.0000 377.8302 1096.000 379.4307 1197.000 381.0312 1421.000 382.6317 1410.000 384.2322 2633.000 385.8327 2419.000 387.4332 1468.000 389.0337 1815.000 390.6342 1294.000 392.2347 1064.000 393.8352 865.0000 395.4357 1157.000 397.0362 1698.000 398.6367 1901.000 400.2372
33
1541.000 401.8377 1767.000 403.4382 1617.000 405.0387 1807.000 406.6392 2141.000 408.2397 2254.000 409.8402 1810.000 411.4407 1802.000 413.0412 2029.000 414.6417 2410.000 416.2422 2427.000 417.8427 1948.000 419.4432 1914.000 421.0437 2001.000 422.6442 2927.000 424.2447 1721.000 425.8452 354.0000 427.4457
NA 429.0462 NA 430.6467 NA 432.2472 NA 433.8477 NA 435.4482 NA 437.0487 NA 438.6492 NA 440.2497 NA 441.8502 NA 443.4507 NA 445.0512 NA 446.6517 NA 448.2522 NA 449.8527 NA 451.4532 NA 453.0537 NA 454.6542 NA 456.2547 NA 457.8552 NA 459.4557 NA 461.0562 NA 462.6567 NA 464.2572 NA 465.8577 NA 467.4582
COLEOGRAM STATINERITAS DATA TRINGKAT LEVEL
Date: 03/19/10 Time: 01:58Sample: 1998:01 2010:12 Included observations: 131
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
34
.|*******| .|*******| 1 0.863 0.863 99.832 0.000 .|****** | .|. | 2 0.753 0.032 176.43 0.000 .|***** | .|* | 3 0.698 0.160 242.68 0.000 .|***** | .|. | 4 0.630 -0.042 297.20 0.000 .|**** | .|. | 5 0.567 0.012 341.70 0.000 .|**** | .|. | 6 0.509 -0.024 377.81 0.000 .|**** | .|* | 7 0.486 0.121 411.03 0.000 .|**** | .|* | 8 0.487 0.110 444.68 0.000 .|**** | .|* | 9 0.509 0.164 481.75 0.000 .|**** | .|. | 10 0.516 0.018 520.13 0.000 .|**** | .|. | 11 0.500 -0.035 556.39 0.000 .|**** | .|. | 12 0.492 0.014 591.82 0.000 .|**** | *|. | 13 0.464 -0.068 623.61 0.000 .|*** | .|. | 14 0.435 0.020 651.83 0.000 .|*** | *|. | 15 0.370 -0.154 672.42 0.000 .|** | .|. | 16 0.322 0.028 688.09 0.000 .|** | *|. | 17 0.261 -0.158 698.50 0.000 .|** | .|. | 18 0.224 0.054 706.20 0.000 .|** | .|* | 19 0.230 0.085 714.45 0.000 .|** | .|* | 20 0.243 0.097 723.75 0.000 .|** | .|. | 21 0.265 0.059 734.88 0.000 .|** | .|. | 22 0.271 -0.041 746.62 0.000 .|** | .|* | 23 0.295 0.077 760.70 0.000 .|** | .|. | 24 0.309 -0.019 776.22 0.000 .|** | *|. | 25 0.253 -0.181 786.75 0.000 .|** | .|* | 26 0.241 0.150 796.38 0.000 .|** | .|. | 27 0.227 0.015 805.04 0.000 .|** | .|. | 28 0.199 -0.008 811.74 0.000 .|* | *|. | 29 0.151 -0.110 815.66 0.000 .|* | *|. | 30 0.109 -0.085 817.69 0.000 .|* | .|* | 31 0.106 0.073 819.65 0.000 .|* | .|. | 32 0.117 0.018 822.04 0.000 .|* | .|. | 33 0.130 0.031 825.07 0.000 .|* | .|. | 34 0.139 0.022 828.52 0.000 .|* | .|* | 35 0.168 0.073 833.67 0.000 .|* | .|. | 36 0.189 -0.032 840.22 0.000
COLEOGRAM STATINERITAS DATA DIFERENSI (I)
Date: 03/19/10 Time: 01:59Sample: 1998:01 2010:12 Included observations: 130Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|. | .|. | 1 -0.050 -0.050 0.3306 0.565 *|. | *|. | 2 -0.149 -0.152 3.2955 0.192 .|. | .|. | 3 0.001 -0.015 3.2958 0.348 .|. | .|. | 4 -0.019 -0.044 3.3460 0.502 .|. | .|. | 5 -0.015 -0.021 3.3752 0.642
35
*|. | *|. | 6 -0.117 -0.133 5.2775 0.509 *|. | *|. | 7 -0.092 -0.119 6.4651 0.487 *|. | *|. | 8 -0.098 -0.164 7.8245 0.451 .|. | .|. | 9 0.051 -0.011 8.1985 0.514 .|* | .|. | 10 0.089 0.036 9.3234 0.502 .|. | .|. | 11 -0.006 -0.010 9.3295 0.592 .|* | .|. | 12 0.066 0.056 9.9583 0.620 .|. | .|. | 13 -0.015 -0.041 9.9895 0.695 .|* | .|* | 14 0.135 0.125 12.683 0.552 .|. | *|. | 15 -0.056 -0.061 13.154 0.590 .|. | .|* | 16 0.032 0.093 13.304 0.650 *|. | *|. | 17 -0.073 -0.066 14.117 0.659 *|. | *|. | 18 -0.177 -0.137 18.925 0.396 .|. | *|. | 19 -0.048 -0.104 19.279 0.439 .|. | *|. | 20 -0.046 -0.090 19.602 0.483 .|* | .|. | 21 0.073 0.037 20.452 0.493 *|. | *|. | 22 -0.060 -0.085 21.016 0.520 .|* | .|. | 23 0.074 0.055 21.893 0.527 .|** | .|* | 24 0.230 0.167 30.455 0.170 *|. | *|. | 25 -0.112 -0.125 32.487 0.144 .|. | .|. | 26 0.018 -0.012 32.541 0.176 .|. | .|. | 27 -0.008 -0.030 32.551 0.212 .|* | .|* | 28 0.076 0.094 33.526 0.217 .|. | .|. | 29 -0.029 0.035 33.669 0.252 *|. | *|. | 30 -0.160 -0.115 38.079 0.148 *|. | .|. | 31 -0.060 -0.041 38.705 0.161 .|. | .|. | 32 -0.016 -0.026 38.752 0.191 .|. | *|. | 33 0.019 -0.060 38.817 0.224 *|. | *|. | 34 -0.084 -0.098 40.077 0.219 .|. | .|. | 35 0.051 0.005 40.543 0.239 .|* | .|. | 36 0.079 0.016 41.693 0.237
RUMUS SYNTAX DI SOFTWARE EVIEWS UNTUK ESTIMASI PENJUALAN MOTOR
WORKFILE M 1998:1 2008:11DATA PENJUALANEQUATION EQ1.LS D(PENJUALAN) C AR(1)SHOW EQ1EQUATION EQ2.LS D(PENJUALAN) C AR(1) AR(2)SHOW EQ2EQUATION EQ3.LS D(PENJUALAN) C AR(1) MA(1)SHOW EQ3EQUATION EQ3.LS D(PENJUALAN) C AR(1) MA(1)EXPAND 1998:1 2010:12SMPL 1998:1 2010:12FORECAST PENJUALANFPLOT PENJUALAN PENJUALANFSHOW PENJUALAN PENJUALANF
36
LAMPIRAN 3. UNTUK PROYEKSI PENJUALAN UNI T MOBIL TAHUN 2009 DAN 2010 DALAM PRIODE BULANAN
1. UJI STASIONERITAS DATAA. 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 EquationDependent Variable: D(PENJUALAN)Method: Least SquaresDate: 03/19/10 Time: 02:16Sample(adjusted): 2002:06 2008:11Included observations: 78 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. PENJUALAN(-1) -0.420585 0.131018 -3.210137 0.0020
D(PENJUALAN(-1)) -0.450498 0.144848 -3.110143 0.0027D(PENJUALAN(-2)) 0.129260 0.155513 0.831186 0.4086D(PENJUALAN(-3)) 0.321833 0.152884 2.105079 0.0388D(PENJUALAN(-4)) 0.158170 0.117938 1.341130 0.1841
C 16.49283 5.625447 2.931825 0.0045R-squared 0.511083 Mean dependent var -0.205128Adjusted R-squared 0.477130 S.D. dependent var 27.12949S.E. of regression 19.61727 Akaike info criterion 8.864501Sum squared resid 27708.28 Schwarz criterion 9.045786Log likelihood -339.7155 F-statistic 15.05283Durbin-Watson stat 1.963514 Prob(F-statistic) 0.000000
B. DEFERENSI (I)
ADF Test Statistic -4.158986 1% Critical Value* -3.5164
37
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 EquationDependent Variable: D(PENJUALAN,2)Method: Least SquaresDate: 03/19/10 Time: 02:16Sample(adjusted): 2002:07 2008:11Included observations: 77 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob. D(PENJUALAN(-1)) -1.815924 0.436627 -4.158986 0.0001
D(PENJUALAN(-1),2) 0.075326 0.394773 0.190808 0.8492D(PENJUALAN(-2),2) 0.007389 0.333321 0.022167 0.9824D(PENJUALAN(-3),2) 0.132085 0.244846 0.539463 0.5913D(PENJUALAN(-4),2) 0.099410 0.120436 0.825419 0.4119
C -0.066154 2.400433 -0.027559 0.9781R-squared 0.831065 Mean dependent var -0.272727Adjusted R-squared 0.819168 S.D. dependent var 49.42954S.E. of regression 21.01960 Akaike info criterion 9.003506Sum squared resid 31369.48 Schwarz criterion 9.186141Log likelihood -340.6350 F-statistic 69.85584Durbin-Watson stat 1.974304 Prob(F-statistic) 0.000000
C. HASIL ESTIMASI 3 MODELMODEL I AR(1)
Dependent Variable: D(PENJUALAN)Method: Least SquaresDate: 03/19/10 Time: 02:17Sample(adjusted): 2002:03 2008:11Included observations: 81 after adjusting endpointsConvergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob. C -0.094775 1.381014 -0.068627 0.9455
AR(1) -0.647499 0.086297 -7.503111 0.0000R-squared 0.416098 Mean dependent var -0.148148Adjusted R-squared 0.408707 S.D. dependent var 26.62945S.E. of regression 20.47687 Akaike info criterion 8.900851Sum squared resid 33124.89 Schwarz criterion 8.959973Log likelihood -358.4845 F-statistic 56.29668Durbin-Watson stat 2.171657 Prob(F-statistic) 0.000000Inverted AR Roots -.65
MODEL II AR(1) AR(2)
Dependent Variable: D(PENJUALAN)
38
0
40
80
120
160
02 03 04 05 06 07 08 09 10
PENJUALAN PENJUALANF
Method: Least SquaresDate: 03/19/10 Time: 02:18Sample(adjusted): 2002:04 2008:11Included observations: 80 after adjusting endpointsConvergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob. C 0.024768 1.188702 0.020836 0.9834
AR(1) -0.757640 0.114144 -6.637556 0.0000AR(2) -0.163026 0.114117 -1.428593 0.1572
R-squared 0.433932 Mean dependent var -0.100000Adjusted R-squared 0.419229 S.D. dependent var 26.79392S.E. of regression 20.41919 Akaike info criterion 8.907606Sum squared resid 32104.64 Schwarz criterion 8.996932Log likelihood -353.3043 F-statistic 29.51307Durbin-Watson stat 1.932172 Prob(F-statistic) 0.000000Inverted AR Roots -.38 -.14i -.38+.14i
MODEL 3 AR(1) MA(1)
Dependent Variable: D(PENJUALAN)Method: Least SquaresDate: 03/19/10 Time: 02:19Sample(adjusted): 2002:03 2008:11Included observations: 81 after adjusting endpointsConvergence achieved after 8 iterationsBackcast: 2002:02
Variable Coefficient Std. Error t-Statistic Prob. C -0.026078 1.191941 -0.021879 0.9826
AR(1) -0.541174 0.144174 -3.753619 0.0003MA(1) -0.192516 0.170747 -1.127497 0.2630
R-squared 0.428062 Mean dependent var -0.148148Adjusted R-squared 0.413397 S.D. dependent var 26.62945S.E. of regression 20.39550 Akaike info criterion 8.904839Sum squared resid 32446.16 Schwarz criterion 8.993523Log likelihood -357.6460 F-statistic 29.18922Durbin-Watson stat 1.982077 Prob(F-statistic) 0.000000Inverted AR Roots -.54Inverted MA Roots .19
KURVA ESTIMASI PENJUALAN MOBIL
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
40
34.00000 17.76879 45.00000 17.67402 32.00000 17.57924 42.00000 17.48447 36.00000 17.38969 46.00000 17.29492 23.00000 17.20014 65.00000 17.10537 20.00000 17.01059 28.00000 16.91582 20.00000 16.82104 26.00000 16.72627 27.00000 16.63149 33.00000 16.53672 29.00000 16.44194 25.00000 16.34717 38.00000 16.25239 31.00000 16.15762 40.00000 16.06284 68.00000 15.96807 32.00000 15.87329 17.00000 15.77852 35.00000 15.68374 27.00000 15.58897 28.00000 15.49419 31.00000 15.39942 37.00000 15.30464 26.00000 15.20987 44.00000 15.11509 28.00000 15.02032 30.00000 14.92554 55.00000 14.83077 14.00000 14.73599 38.00000 14.64121 40.00000 14.54644 42.00000 14.45166 36.00000 14.35689 47.00000 14.26211 47.00000 14.16734 47.00000 14.07256 42.00000 13.97779 29.00000 13.88301 4.000000 13.78824
NA 13.69346 NA 13.59869 NA 13.50391 NA 13.40914 NA 13.31436 NA 13.21959 NA 13.12481 NA 13.03004
41
NA 12.93526 NA 12.84049 NA 12.74571 NA 12.65094 NA 12.55616 NA 12.46139 NA 12.36661 NA 12.27184 NA 12.17706 NA 12.08229 NA 11.98751 NA 11.89274 NA 11.79796 NA 11.70319 NA 11.60841 NA 11.51364 NA 11.41886
COLEOGRAM STATINERITAS DATA TRINGKAT LEVEL DATA MOBIL
Date: 03/19/10 Time: 02:24Sample: 2002:01 2010:12 Included observations: 83
Autocorrelation Partial Correlation AC PAC Q-Stat Prob . |*** | . |*** | 1 0.367 0.367 11.578 0.001 . |**** | . |**** | 2 0.543 0.472 37.277 0.000 . |** | . | . | 3 0.321 0.064 46.380 0.000 . |** | .*| . | 4 0.213 -0.168 50.441 0.000 . |*. | .*| . | 5 0.113 -0.130 51.595 0.000 . | . | . | . | 6 0.044 -0.024 51.774 0.000 . | . | . | . | 7 -0.047 -0.047 51.976 0.000 .*| . | . | . | 8 -0.085 -0.054 52.652 0.000 .*| . | . | . | 9 -0.137 -0.055 54.450 0.000 .*| . | . | . | 10 -0.104 0.046 55.501 0.000 **| . | .*| . | 11 -0.255 -0.181 61.850 0.000 . | . | . |** | 12 0.006 0.217 61.853 0.000 **| . | .*| . | 13 -0.234 -0.109 67.375 0.000 .*| . | .*| . | 14 -0.083 -0.101 68.077 0.000 .*| . | . | . | 15 -0.128 -0.015 69.780 0.000 .*| . | . | . | 16 -0.131 -0.035 71.583 0.000 .*| . | . | . | 17 -0.065 0.056 72.039 0.000 .*| . | . | . | 18 -0.101 -0.055 73.138 0.000 .*| . | . | . | 19 -0.068 -0.037 73.655 0.000 . | . | . | . | 20 -0.035 0.031 73.794 0.000 . | . | . |*. | 21 -0.006 0.068 73.798 0.000 . | . | . | . | 22 0.009 -0.041 73.808 0.000 . | . | .*| . | 23 -0.046 -0.071 74.052 0.000 . |*. | . |*. | 24 0.142 0.124 76.480 0.000 . | . | .*| . | 25 -0.048 -0.064 76.764 0.000
42
. | . | .*| . | 26 0.036 -0.124 76.924 0.000 .*| . | .*| . | 27 -0.061 -0.126 77.392 0.000 . | . | . | . | 28 -0.056 0.041 77.794 0.000 .*| . | . | . | 29 -0.066 0.004 78.365 0.000 .*| . | . | . | 30 -0.092 -0.030 79.486 0.000 .*| . | . | . | 31 -0.085 -0.009 80.475 0.000 .*| . | .*| . | 32 -0.111 -0.063 82.190 0.000 .*| . | . | . | 33 -0.077 -0.006 83.035 0.000 .*| . | .*| . | 34 -0.129 -0.104 85.434 0.000 .*| . | . | . | 35 -0.096 0.057 86.784 0.000 . | . | . |*. | 36 0.021 0.092 86.853 0.000
COLEOGRAM STATINERITAS DATA DIFERENSI (I)
Date: 03/19/10 Time: 02:25Sample: 2002:01 2010:12 Included observations: 82
Autocorrelation Partial Correlation AC PAC Q-Stat Prob *****| . | *****| . | 1 -0.640 -0.640 34.876 0.000 . |*** | .*| . | 2 0.329 -0.138 44.194 0.000 .*| . | . |*. | 3 -0.088 0.109 44.876 0.000 . | . | . | . | 4 -0.005 0.036 44.878 0.000 . | . | .*| . | 5 -0.026 -0.098 44.939 0.000 . | . | .*| . | 6 0.014 -0.079 44.956 0.000 . | . | .*| . | 7 -0.042 -0.063 45.115 0.000 . | . | . | . | 8 0.010 -0.052 45.125 0.000 .*| . | .*| . | 9 -0.068 -0.140 45.563 0.000 . |*. | . |*. | 10 0.133 0.066 47.268 0.000 **| . | **| . | 11 -0.306 -0.291 56.362 0.000 . |*** | . | . | 12 0.388 0.064 71.173 0.000 **| . | . | . | 13 -0.318 0.025 81.246 0.000 . |*. | .*| . | 14 0.174 -0.060 84.300 0.000 . | . | . | . | 15 -0.045 -0.038 84.509 0.000 . | . | .*| . | 16 -0.050 -0.123 84.773 0.000 . |*. | . | . | 17 0.080 -0.006 85.455 0.000 . | . | . | . | 18 -0.050 -0.004 85.724 0.000 . | . | .*| . | 19 -0.005 -0.075 85.727 0.000 . | . | .*| . | 20 0.007 -0.108 85.733 0.000 . | . | . | . | 21 0.009 0.007 85.742 0.000 . | . | . | . | 22 0.050 0.049 86.032 0.000 .*| . | .*| . | 23 -0.163 -0.103 89.144 0.000 . |** | . | . | 24 0.273 0.050 97.986 0.000 **| . | . | . | 25 -0.226 0.053 104.14 0.000 . |*. | . | . | 26 0.149 0.030 106.89 0.000 .*| . | .*| . | 27 -0.088 -0.101 107.86 0.000 . | . | . | . | 28 0.016 -0.041 107.89 0.000 . | . | . | . | 29 0.013 -0.009 107.92 0.000 . | . | . | . | 30 -0.030 -0.032 108.04 0.000 . | . | . | . | 31 0.028 0.021 108.14 0.000 . | . | .*| . | 32 -0.056 -0.062 108.58 0.000
43
. |*. | . | . | 33 0.078 0.043 109.44 0.000 .*| . | .*| . | 34 -0.075 -0.079 110.25 0.000 . | . | .*| . | 35 -0.035 -0.092 110.44 0.000 . |*. | . | . | 36 0.116 -0.036 112.43 0.000
RUMUS SYNTAX
WORKFILE M 2002:1 2008:11DATA PENJUALANEQUATION EQ1.LS D(PENJUALAN) C AR(1)SHOW EQ1EQUATION EQ2.LS D(PENJUALAN) C AR(1) AR(2)SHOW EQ2EQUATION EQ3.LS D(PENJUALAN) C AR(1) MA(1)SHOW EQ3EQUATION EQ1.LS D(PENJUALAN) C AR(1)EXPAND 2002:1 2010:12SMPL 2002:1 2010:12FORECAST PENJUALANFPLOT PENJUALAN PENJUALANFSHOW PENJUALAN PENJUALANF
44
top related