proyeksi penjualan tahun 2010 di pt krida dinamik autonosa ntb oleh : aryo dwiatmojo rb (universitas...

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




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


(-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


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)




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)



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


30

0

500

1000

1500

2000

2500

3000

3500

98 99 00 01 02 03 04 05 06 07 08 09 10


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



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




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)


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


Method: Least SquaresDate: 03/19/10 Time: 02:18Sample(adjusted): 2002:04 2008:11Included observations: 80 after adjusting endpointsConvergence achieved after 3 iterations


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


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)


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

proyeksi penjualan tahun 2010 di pt krida dinamik autonosa ntb oleh : aryo dwiatmojo rb (universitas...

Documents