Anda di halaman 1dari 44

TUGAS KELOMPOK

MANAJEMEN OPERASIONAL

PERAMALAN PERMINTAAN
NO TOPIK IV

APLIKASI PADA PT. KRIDA DINAMIK AUTONOSA NTB

KELOMPOK :

ARYO DWIATMOJO RAKSA BUANA ( I2A009009 )


DEWI EKAWATI PARLINA ( I2A009015 )
MADE SUWANDANA ( I2A009044)
SITI YULIANA M. YUSUF ( I2A009071)

KEMENTRIAN PENDIDIKAN NASIONAL


PROGRAM MAGISTER MANAJEMEN UNIVERSITAS MATARAM
TAHUN 2010

BAB I

1
PENDAHULUAN

1.1 Latar Belakang Masalah


PT. Krida Dinamik Autonosa merupakan salah satu Perusahaan
besar yang telah lama berdiri, dan merupakan pelopor bisnis
otomotif di daerah NTB saat ini. Dalam perjalanan dan
perkembangannya PT Krida dinamik Autonosa NTB memperlihatkan
suatu kondisi dimana Perusahaan mampu menjadi pemimpin Pasar
diwilayah NTB. Hal ini dapat dilihat dalam tabel berikut :
Tabel 1. Penguasaan Pangsa Pasar (Market Share) Tahun

2006 – 2008.

PANGSA PASAR ( PP) %


No PERUSAHAAN
2006 2007 2008
1 KRIDA 31,00 30,00 31,00
2 ASTRA HONDA 23,00 25,00 27,00
3 SPS 21,00 20,00 19,00
4 MPM 13,00 12,00 10,00
5 NSS 8,00 8,00 8,00
6 PADOLO MOTOR 2,00 3,00 3,00
7 SURYA UTAMA PERKASA 2,00 2,00 2,00
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
banyak faktor, terutama faktor dari lingkungan bisnis itu sendiri baik
itu faktor eksternal maupun faktor internal.
Walaupun terkadang terjadi fluktuasi, akan tetapi PT KDA masih
mampu menjadi pemimpin pasar dibandingkan para kompetitornya
yang lain. Walaupun data tersebut merefleksikan kondisi pangsa
Pasar PT Krida Dinamik Autonosa yang masih kuat. Kondisi ini
tentunya tidak dapat menjadi acuan yang konstan sepanjang waktu,
karena pada dasarnya kompetitor akan terus mencari jalan untuk
melakukan agresi bisnis, sehingga mampu menyingkirkan posisi PT
KDA yang kuat tersebut. Untuk itu diperlukan suatu rencana
strategis dalam menghadapi kondisi di masa yang akan datang.
Disisi lain jika melihat trend penjualan produk-produknya
ternyata permintaan pasar akan produk-produk yang dikeluarkan
oleh PT Krida juga cukup tinggi. Hal ini dapat dilihat pada grafik
penjualan unit sepeda motor adalah sebagai berikut :
Grafik 1. Data Penjualan Unit Tahunan Devisi sepeda Motor
di PT Krida Dinamik Autonosa NTB Priode 1998-2008
DATA PENJUALAN UNIT TAHUNAN DEVISI SEPEDA MOTOR PT
JUMLAH KRIDA DINAMIK AUTONOSA NTB
PENJUALAN

25000
24524
20000 Series1
21343
19106
15000 17471
15501 16458
13834
10000
8451
5000 436151885342

0
1 2 3 4 5 6 S1
7 8 9 10
TAHUN 1998-2008 11

Sumber : Data Skunder Diolah


Berdasarkan grafik diatas dapat dilihat suatu kondisi
permintaan konsumen akan produk sepeda motor berbagai merk

3
yang di sediakan oleh PT KDA di NTB dalam 11 tahun terakhir. Pada
tahun 1998 jumlah penjualan adalah sebesar 4.361 unit, kemudian
tahun 1999 sebesar 5.188 unit, tahun 2000 sebesar 5342 unit, tahun
2001 sebesar 8451 unit, hingga menyentuh penjualan tertinggi di
tahun 2004 yaitu sebesar 24.524 unit dan ini merupakan prestasi
yang gemilang di tahun tersebut, akan tetapi di tahun 2005
penjualan mengalami kemerosotan dengan tingkat penjualan
sebesar 17471 unit, ditahun 2006 terus mengalami kemerosotan
penjualan sebesar 16.458 unit kendaraan bermotor, hingga ditahun
2007 dan 2008 mulai mengalami peningkatan kembali 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
DATA JUMLAH PENJUALAN UNIT TAHUNAN DEVISI MOBIL PT
KRIDA DINAMIK AUTONOSA NTB

JUMLAH
PENJUALAN
900
877
800
700
Series1
600
500
400 483
418
300 385 390
257 386
200
100
0
1 2 3 4 S1
5 6
TAHUN 2002-2008 7

Sumber : Data Skunder diolah


Berdasarkan data Penjualan unit tahunan Devisi Mobil di PT
KDA NTB, maka dapat dilihat bahwa di tahun 2002 jumlah
permintaan mobil adalah sebesar 257 unit, meningkat di tahun 2003

4
menembus angka penjualan tertinggi sebesar 877 unit mobil,
kemudian di tahun 2004 mengalami fluktuasi yang tajam sebesar
418 unit mobil, meningkat di tahun 2005 sebesar 483, dan
mengalami kemerosotan di tahun 2006 sebesar 385 unit, dan terus
mengalami fluktuasi hingga di tahun 2008 angka penjualan adalah
sebesar 386 unit mobil.
Fluktuasi ini tentunya disebabkan oleh banyak faktor baik
faktor eksternal-maupun internal Perusahaan. Pihak Perusahaan
mengakui belum pernah adanya proyeksi penjualan untuk dijadikan
acuan sebagai bahan pertimbangan untuk merumuskan kebijakan
strategis dalam mencapai penjualan yang agresif. Oleh karena itu
penulis mencoba melakukan proyeksi Permintaan sepeda Motor dan
Mobil pada tahun 2009 dan 2010 di PT Krida dinamik Autonosa NTB.
Yang mana proyeksi ini bertujuan untuk mengetahui seberapa besar
permintaan konsumen ditahun 2009 dan 2010 akan produk sepeda
motor dan mobil, yang di jual oleh PT Krida Dinamik Autonosa
tersebut. Dengan adanya hasil proyeksi di harapkan pada manager
PT Krida nantinya, mampu merumuskan Strategi Bisnis yang tepat
dan efisien dalam menghadapi Kompetitornya di NTB serta
mengantisipasi beberapa kemungkinan-kemungkinan buruk yang
akan terjadi, sehingga kemerosotan penjualan dapat di tekan, akibat
adanya informasi Estimasi (perkiraan) permintaan konsumen akan
dua produk tersebut.

1.2 Masalah/ Perumusan Masalah

5
Berdasarkan latar belakang diatas, maka di temukan dua
permasalahan mendasar yang menjadi kajian penelitian yaitu :
1. Seberapa besar permintaan konsumen terhadap produk
sepeda motor di PT Krida Dinamik Autonosa NTB di tahun 2009
dan 2010 ?
2. Seberapa besar permintaan konsumen terhadap produk mobil
di PT Krida Dinamik Autonosa NTB di tahun 2009 dan 2010 ?

1.3 Pemecahan Masalah


Dalam memecahkan masalah tersebut diatas, maka Penulis
mencoba menggunakan metode kuantitatif yaitu Model ARIMA (
Autoregressive Integrated Moving Average) atau disebut model 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

Rumuskan model umum dan uji


stationaritas data

Identifikasi Model tentative


(model ARIMA)

Estimasi Parameter Atas model


tentatif

Uji diagnostik Apakah model


sudah tepat

8
Tidak
Ya

Gunakan Model untuk


Peramalan
Sumber : Kuncoro ( 2004 :179)
a. Uji Stationaritas
sebelum melakukan identifikasi menentukan model terbaik,
persyaratan stationaritas dat perlu dijamin terlebih dahulu. Hal ini
diperlukan dalam memastikan adanya hubungan jangka panjang
suatu variabel. Hal utama yang perlu dijawab dalam uji statinaritas
data adalah pada drajat (diferensiasi) berapa variabel penjualan
stasioner. Uji ini dapat dilakukan dengan metode unit roots test.
Indikatornya adalah apabila nilai Augmented Dicky Fuller (ADF) lebih
besar dari nilai kritisnya berarti data telah stasioner. Namun apabila
tidak maka perlu dilakukan diferensi tingkat pertama. Pengujian
dilakukan dengan menggunakn software Eviews versi 3.0.

b. Penentuan model terbaik


Penentuan model terbaik dalam metode ARIMA adalah dengan
melakukan trial and error diantara ketiga model. Model terbaik
setidaknya memiliki nilai Determinasi ( goodness of fit) dan F
statistik paling tinggi, serta memiliki Akaike Info Criterion ( AIC)
paling minimal diantara masing-masing model.

c. Peramalan (Estimasi)
Dalam melakukan peramalan tentunya akan diseleksi satu
model terbaik dari tiga model yang di uji. Apakah AR(1), AR(1)AR(2),

9
atau AR(1)MA(1). Setelah salah satu diantara ketiga model tersebut
telah ditentukan maka model yang terpilih dapat digunakan sebagai
model yang akan memprediksi permintaan konsumen dimasa yang
akan datang.

BAB II
ANALISIS / PEMBAHASAN

2.1 Analisis Atas Dasar Teori


Forecast adalah merupakan ramalan atau estimasi terhadap
keadan dimasa depan ( Gitosudarmo, 2002 : 120). Pada dasarnya
terdapat dua pendekatan utama dalam peramalan metode
kuantitatif. Pertama, pendekatan time series yaitu model yang tidak
memperhatikan hubungan sebab akibat atau dengan kata lain hasil
peramalan hanya memperhatikan kecendrungan dari data masa lalu
yang tersedia. Dalam pendekatan itu akan dibahas tentang teknik
peramalan dengan metode trend baik secara linear maupun
kuadratik. Pendektan kedua, pendekatan yang memperhatikan
hubungan caust and effect atau pendekatan yang menjelaskan
terjadinya suatu keadaan oleh sebab-sebab tertentu. Teknik yang
digunakan dengan pendekatan itu dikenal sebagai metode korelasi
dan regresi ( Sugito dan Sumartono, 2004 : 67).
Selain itu menurut Gitosudarmo (2002), adapun gambaran
terhadap permintaan dimasa depan umumnya dapat digali dari
penelitian dan analisis pasar. Beberapa sumber data dapat
dipergunakan dalam melakukan analisa permintaan pasar tersebut
yaitu :

10
a. Pendapat Konsumen
Konsumen pemakai barang dan jasa yang kita pasarkan dapat
dipergunakan sebagai sumber data atau informasi yang baik bagi
analisis pasar. Menggali data mengeni pendapat konsumen ini
tidaklah mudah, karena hal ini tidaklah sekedar menanyakan apa
yang dibutuhkan, akan tetapi perlu diperhatikan pula bahwa dalam
hal ini pertanyaan harus memiliki berbagai syarat agar data yang
diperolah dapat dipergunakan untuk keperluan analisa selanjutnya.

b. Pendapat langganan ( Customers )


Langganan adalah orang yang membeli barang atau jasa yang
dipasarkan oleh perusahaan. Langganan dapat berbeda dengan
pemakai, sebab pembeli belum tentu pemakai (konsumen). Seperti
halnya dalam pembelian susu bayi, pakaian anak dan lain-lain.
Langganan dapat dimintai keterangan tentang keputusan
pembeliannya. Dengan demikian dapatlah diperoleh gambaran
tentang motif-motif pembelian serta cara-cara atau kebiasaan
pembelian mereka.

c. Catatan dan Pendapat Distributor


Distributor akan dapat mengetahui lebih lengkap dan
terperinci tentang kondisi dan situasi langganan ataupun kondisi
konsumen yang ada di daerahnya. Distributorlah yang selalu
berhubungan langsung dengan konsumen atau pelanggan. Oleh
karena itu studi terhadap distributor akan dapat memperoleh
informasi tentang permintaan konsumen seta langganan. Distributor
pulalah yang akan merasakan langsung dari adanya persaingan,

11
karena mereka merupakan bagian yang terdepan didalam
berhubungan dengan konsumen , langganan serta pesaing. Oleh
karena itu wawancara dengan distributor, lebih-lebih para salesman
akan dapat memperoleh gambaran yang baik terhadap kondisi
persaingan dan permintaan pasar. Distributor dapat berupa agen
serta toko-toko pengecer.

d. Catatan Penjualan dari Perusahaan sendiri


Perkiraan terhadap kondisi penjualan dimasa depan dapat
didasarkan pada data-data historis dari penjualan masa lampau.
Data historis biasanay telah tersedia dalam perusahaan dan
merupakan data kuantitatif yang obyektif.
Disisi lain menurut Gitosudarmo ( 2002) adapun hal
substansial yang tak dapat di abaikan yaitu, perubahan masa kini
baik di bidang ekonomi, sosial, politik serta kebudayaan sebagian
besar kalau tidak seluruhnya diakibatkan oleh adanay
perkembangan di bidang teknologi, karena perkembangan teknolgi
ini bersifat akseleratif dan kumulatif maka sering kali imaginasi kita
tidak dapat mengikutinya. Sebagai konsekuensinya sudah barang
tentu akan bertambah besar pula hasil-hasil perkembangan
teknologi yang belum dapat kita bayangkan pada waktu kita
membuat antisipasi tersebut hal ini tidak mengurangi pentingnya
pembuatan gambaran atau skenario masa depan sebagai pedoman
perencanaan. Masa depan ini dapat diramalkan dengan tiga macam
cara :
 Dengan dasar pertumbuhan tetap, yaitu dengan
menggunakan proyeksi sederhana ( linear regresion) dari

12
masa lampau dan masa datang tanpa mempertimbangkan
adanaya akibat dari perubahan-perubahan yang sengaja
dilakukan oleh generasi sekarang maupun generasi yang akan
datang. Dalam hal ini berarti kita menggunakan regresi linear
tanpa menganggap adanaya usaha-usaha manusia itu sendiri
untuk mengubah keadaan tersebut, dan kita hanya mengikuti
arah perkembangan yang sudah terjadi itu seperti apa adanya,
menurut keadaan itu sendiri.
 Dengan memperhatikan adanya perubahan yang dilaksanakan
oleh organisasi sekarang serta generasi yang akan datang
sebagai usaha mereka untuk menjawab tantangan-tantangan.
 Dengan memperhatikan kejadian-kejadian yang mungkin
timbul seperti bencana alam, epidemis, gerakan/keadaan
politik seperti nasionalisasi perusahaan asing dan sebagainya.
Dalam hal ini terdapat tiga macam keadaan yaitu, ketdak
pastian ( uncertainty ), resiko (risk), kepastian ( certainty ).
Berdasarkan wacana diatas telah disebutkan beberapa acuan
teoritis serta beberapa variabel-variabel yang mempengaruhi
peramalan permintaan itu sendiri, akan tetapi disini peneliti hanya
membatasi permasalahan pada penggunaan satu variabel, yaitu
variabel catatan penjualan dari perusahaan itu sendiri, sementara
variabel-variabel lainnya seperti, pendapat konsumen, pendapat
customers, 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 - 1% Critical Value* -3.4852


5.08944
4
5% Critical Value -2.8853
10% Critical Value -2.5793
*MacKinnon critical values for rejection of hypothesis of a unit
root.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(PENJUALAN,2)
Method: Least Squares
Date: 03/18/10 Time: 01:18
Sample(adjusted): 1998:11 2008:11
Included observations: 121 after adjusting endpoints
Variable Coefficien Std. Error t-Statistic Prob.
t
D(PENJUALAN(-1)) - 0.283401 -5.089444 0.0000
1.442351
D(PENJUALAN(- 0.345334 0.249397 1.384677 0.1688
1),2)
D(PENJUALAN(- 0.127985 0.211120 0.606222 0.5456
2),2)
D(PENJUALAN(- 0.087982 0.163153 0.539261 0.5907
3),2)
D(PENJUALAN(- 0.036056 0.107870 0.334255 0.7388
4),2)
C 6.844567 33.46393 0.204536 0.8383
R-squared 0.514614 Mean dependent -
var 12.1074

14
4
Adjusted R-squared 0.493510 S.D. dependent var 513.033
1
S.E. of regression 365.1158 Akaike info criterion 14.6866
2
Sum squared resid 1533060 Schwarz criterion 14.8252
0 6
Log likelihood - F-statistic 24.3849
882.5406 8
Durbin-Watson stat 1.899014 Prob(F-statistic) 0.00000
0
Sumber : data diolah
Berdasarkan data diatas terlihat bahwa data penjualan sepeda
motor stasioner pada drajat pertama setelah didiferensi. Hal ini
dapat dilihat dari nilai ADF sebesar -5.08944 yang lebih besar dari
nilai kritisnya pada alfa berapapun yaitu -3,485, -2,885, dan -2,579.
kondisi ini memberikan gambaran bahwa data yang akan digunakan
telah di stasionarkan. Sehingga secara metodologis pengujian
selanjutnya dapat dilakukan. Karena data pada dasarnya tidak
stasioner pada drjat (0) maka data yang stasiner pada drajat (I)
sifatnya hanya dalam jangka pendek. Artinya peramalan akan
efisien dalam jangka pendek untuk memproyeksi nilai penjualan
ditahun 2009 dan 2010.
2.2.2. Tabel 3 Perbandingan Model Terbaik dari Data
Penjualan Sepeda Motor
KONSTANT
MODEL A AR(1) AR(2) MA(1) R2 F-STAT AIC
-0.0567
ARIMA 1.6005 ( 0.00 0.365 14.5
(1,0,0) (0.0542) -0.6047) - - 2 7 93
-0.2062
ARIMA 4.3001 -0.0920 (- 0.03 2.307 14.5
(0,01) (0.1796) (-0.9671) 2.0642) - 5 8 83
ARIM
A 0.7197 -0.9701
(1,0,1 11.6938 (9.5863 (- 0.09 6.437 14.5
) (2.3315) ) - 39.269) 2 8 14
Sumber : data diolah

15
Berdasarkan estimasi model ARIMA diatas tampak bahwa dari
tiga model yang diestimasi ternyata model ARIMA 1(1,0,1) adalah
model yang memenuhi syarat untuk digunakan sebagai model
proyeksi yang tepat, karena memiliki nilai F statistik terbesar, 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


3500
2009 dan 2010
3000

2500

2000

1500

1000

500

0
98 99 00 01 02 03 04 05 06 07 08 09 10

PENJUALAN PENJUALANF

Berdasarkan grafik diatas dapat terlihat bahwa proyeksi antara


penjualan aktual dan penjualan yang diproyeksi terus mengalami
peningkatan. Garis estimasi proyeksi terus mendekati garis aktual
priode aktual, hal ini merefleksikan model proyeksi yang digunakan
untuk memprediksi penjualan motor di tahun 2009 dan 2010 akurat.
Dengan menggunakan model ARIMA (1,0,1). Hal yang menarik dari
model ini adalah bahwa adanya pengujian stasionaritas data. Yang

16
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
SEPTEMBE 443.4507
R
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
SEPTEMBE 462.6567
R
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 - 1% Critical Value* -3.5164


4.158986
5% Critical Value -2.8991
10% Critical Value -2.5865
*MacKinnon critical values for rejection of hypothesis of a unit
root.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(PENJUALAN,2)
Method: Least Squares
Date: 03/19/10 Time: 02:16
Sample(adjusted): 2002:07 2008:11
Included observations: 77 after adjusting endpoints
Variable Coefficien Std. Error t-Statistic Prob.
t
D(PENJUALAN(-1)) - 0.436627 -4.158986 0.0001
1.815924
D(PENJUALAN(- 0.075326 0.394773 0.190808 0.8492
1),2)
D(PENJUALAN(- 0.007389 0.333321 0.022167 0.9824
2),2)
D(PENJUALAN(- 0.132085 0.244846 0.539463 0.5913
3),2)

18
D(PENJUALAN(- 0.099410 0.120436 0.825419 0.4119
4),2)
C - 2.400433 -0.027559 0.9781
0.066154
R-squared 0.831065 Mean dependent -
var 0.27272
7
Adjusted R-squared 0.819168 S.D. dependent var 49.4295
4
S.E. of regression 21.01960 Akaike info criterion 9.00350
6
Sum squared resid 31369.48 Schwarz criterion 9.18614
1
Log likelihood - F-statistic 69.8558
340.6350 4
Durbin-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
KONSTANT
MODEL A AR(1) AR(2) MA(1) R2 F-STAT AIC
-
ARIM 0.6474
A (-
(1,0,0 -0.0947 7.5031 0.41 56.29
) (-0.0686) ) - - 6 66 8.9008
-
0.75764 -0.1630
ARIMA 0.0247 (- ( 0.43 29.51
(0,01) (0.0208) 6.6375) -1.4285) - 3 30 8.9076
ARIMA -0.0260 -0.5411 - - 0.42 29.18 8.9048
(1,0,1) (-0.0218) (- 0.19251 8 92
3.7536) (-

19
1.1274)
Sumber : data diolah
Berdasarkan estimasi model ARIMA diatas, untuk mencari
model yang terbaik ternyata pilihannya berbeda dengan estimasi
yang dilakukan pada penjualan sepeda motor, pada estimasi
penjualan mobil disini, ternyata model terbaik yaitu model ARIMA
(1,0,0) model ini memenuhi syarat untuk digunakan sebagai model
proyeksi yang tepat, karena memiliki nilai F statistik terbesar, dan
Akaike Information criterion (AIC) paling minimal. Karena model
tersebut memenuhi kriteria model Box-Jenkins yang tepat, maka
pada tahap selanjutnya model tersebut dapat digunakan sebagai
model peramalan yang paling efisien.

2.2.7. Grafik 4 Peramalan Penjualan Mobil di tahun 2009 dan


160
2010

120

80

40

0
02 03 04 05 06 07 08 09 10

PENJUALAN PENJUALANF

Dari tabel diatas tampak suatu kondisi yang berbeda dalam


proyeksi penjualan mobil dan sepeda motor dimana pada proyeksi
penjualan mobil menunjukan trend yang cenderung menurun. Hal ini
disebabkan volatilitas data yang cenderung memperlihatkan trend
penurunan yang cukup signifikan. Sehingga model ARIMA

20
memproyeksi penjualan mobil pada tahun 2009 dan 2010,
cenderung akan mengalami penurunan permintaan. Disisi lainnya
jika kita melihat antara data aktual yang di notasikan dengan garis
berwarna biru, ternyata model Box-Jenkins secara teoritis memenuhi
kriteria, karena garis proyeksi selalu mengikuti garis aktual data.
Dengan kata lain trend penurunan ini disebabkan gerakan data yang
cenderung mengalami penurunan.

2.2.8 Tabel 7 Hasil Estimasi (Proyeksi) Penjualan unit Mobil


tahun 2009 dan 2010 dalam priode bulanan
TAHU HASIL
N BULAN 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
SEPTEMBE 12.84049
R
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
SEPTEMBE 11.70319
R
OKTOBER 11.60841
NOVEMBER 11.51364
DESEMBER 11.41886

21
Sumber : data diolah dengan Software eviews 3.0
Berdasarkan data proyeksi penjualan mobil diatas dapat
dilihat suatu kondisi yang berbeda dengan peramalan yang
dilakukan terhadap penjualan sepeda motor. Hal ini disebabkan
metede ARIMA adalah metode yang membaca pergerakan
(volatilitas) kecendrungan data, sehingga metode ini cenderung
lebih akurat dalam memberikan hasil proyeksi, baik kecendrungan
proyeksi peningkatan permintaan ataupun penurunan jumlah
permintaan konsumen.
Data proyeksi yang mengalami penurunan permintaan akan
Mobil ini memberikan suatu informasi bagi PT Krida Dinamik
Autonosa agar mampu membaca situasi, mengapa ada
kecendrungan penurunan seperti kondisi diatas. Fluktuasi yang
terjadi ini juga memberikan informasi agar Perusahaan perlu
mempertimbangan perencanaan produksi, serta mengintensifkan
pola pemasaran, agar jangan sampai kondisi ini benar-benar terjadi.

22
BAB III
PENUTUP
3.1 Kesimpulan
Berdasarkan hasil analisis diatas maka ada bebarapa hal
mendasar yang dapat menjadi simpulan dalam kasus ini yaitu :
1. Kedua data baik data penjualan sepeda motor maupun data
penjualan mobil, sama-sama tidak stasioner pada drajat (0),
sehingga kedua data tersebut terlebih dahulu harus didiferensi
pada drajat (I), dan hasilnya, kedua data penjualan tersebut
stasioner pada drajat pertama sehingga estimasi Box-Jenkins
dapat memenuhi kriteria.
2. Model yang terbaik pada hasil tentatif estimasi model
penjualan sepeda motor adalah, ARIMA (1,0,1), sementra
model terbaik pada hasil estimasi penjualan Mobil adalah
ARIMA (1,0,0).
3. Hasil proyeksi penjualan 2009 dan 2010 sepeda motor dalam
priode bulanan menunjukan ternd positif (meningkat). Di mana
pada bulan januari 2009 penjualan sepeda motor adalah
sebesar 431 unit, dan terus mengalami peningkatan setiap
bulannya , hingga di bulan Desember 2009 penjualan

23
mencapai angka sebesar 448 unit. Sementara di bulan Januari
2010 penjualan sepeda motor adalah sebesar 449 unit, dan
terus mengalami peningkatan penjualan hingga di akhir bulan
Desember 2010, yaitu sebesar 467 unit sepeda motor. 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
kendaraan (Mobil), untuk mengantisipasi kondisi ini maka

24
diperlukan perencaanaan kapasitas produksi yang optimal,
sistem pemasaran yang efisien dengan lebih menkankan
promosi terhadap dan advertensi untuk kendaraan.
2. Manajemen PT Krida Dinamik Autonosa perlu melakukan
survei Konsumen, untuk mengekplorasi kebutuhan serta
preferensi konsumen terhadap produk yang di inginkan,
terutama terkait dengan desain kendaraan dan sebagainya.
3. Pendekatan scara kualitatifpun diperlukan untuk meramalkan
keadaan di tahun 2009 dan 2010, tehnik Delphi dan
pendekatan terhadap pelanggan adalah hal penting, hal ini
dimaksudkan untuk memperkuat hasil peramalan yang
sifatnya kuantitatif tersebut. Oleh karena itu manajemen perlu
mencari siapa pihak yang kompeten untuk melakukan
peramalan penjualan, sehingga akan sangat membantu dalam
membuat keputusan strategis.
4. Dengan diketahuinya jumlah permintaan sepeda motor dan
Mobil di tahun 2009 dan 2010, maka PT krida Dinamik
Autonosa NTB, perlu secara matang mempersiapkan, berapa
inventori yang harus disediakan , sehingga tidak melebihi
kapasitas permintaan konsumen.

25
DAFTAR PUSTAKA

Bank Indonesia dan BP2FE, 2009. Laporan Penelitian Model Inflasi


Nusa Tenggara Barat. BP2FE L: NTB
Gitosudarmo Indriyo, 2002. Manajemen Operasi, edisi kedua. BPFE
Yogyakarta : Yogyakarta.
Kuncoro Mudrajad, 2004. Metode Kuantitatif, Teori danAplikasi untuk
Bisnis dan Ekonomi. AMP YKPN : Yogyakarta.
Kuncoro Mudrajad dan Kardoyo Hadi, 2001. Analisis Kurs Valas
dengan Pendekatan Box-Jenkins : Jurnal.
Sugito Pudjo dan Sumartono. Manajemen Operasional. Edisi
pertama. Bayumedia Publishing : Jawa timur ( Malang).
Widarjono Agus, 2005. Ekonometrika, Teori dan Aplikasi untuk
ekonomi dan Bisnis. Ekonesia : Yogyakarta

26
LAMPIRAN 1. DATA PENJUALAN DEVISI SEPEDA MOTOR DAN
MOBIL DI PT. KRIDA DINAMIK AUTONOSA

27
LAMPIRAN 2. UNTUK PROYEKSI PENJUALAN UNI T MOTOR
TAHUN 2009 DAN 2010 DALAM PRIODE
BULANAN

1. UJI STASIONERITAS DATA


A. TAHAP LEVEL

ADF Test Statistic -2.450541 1% Critical Value* -3.4831


5% Critical Value -2.8844
10% Critical Value -2.5788
*MacKinnon critical values for rejection of hypothesis of a unit root.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(PENJUALAN)
Method: Least Squares
Date: 03/19/10 Time: 01:50
Sample(adjusted): 1998:06 2008:11
Included observations: 126 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
PENJUALAN(-1) -0.122769 0.050099 -2.450541 0.0157
D(PENJUALAN(-1)) -0.020124 0.100243 -0.200756 0.8412
D(PENJUALAN(-2)) -0.142913 0.105888 -1.349668 0.1797
D(PENJUALAN(-3)) 0.018899 0.106511 0.177438 0.8595
D(PENJUALAN(-4)) 0.002123 0.104448 0.020325 0.9838
C 149.1563 65.95654 2.261433 0.0255
R-squared 0.083893 Mean dependent var 0.182540
Adjusted R-squared 0.045722 S.D. dependent var 357.5510

28
S.E. of regression 349.2814 Akaike info criterion 14.59608
Sum squared resid 14639704 Schwarz criterion 14.73114
Log likelihood -913.5531 F-statistic 2.197807
Durbin-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 Equation


Dependent Variable: D(PENJUALAN,2)
Method: Least Squares
Date: 03/19/10 Time: 01:53
Sample(adjusted): 1998:07 2008:11
Included observations: 125 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
D(PENJUALAN(-1)) -1.439042 0.278606 -5.165145 0.0000
D(PENJUALAN(-1),2) 0.341325 0.245027 1.393011 0.1662
D(PENJUALAN(-2),2) 0.123910 0.207272 0.597812 0.5511
D(PENJUALAN(-3),2) 0.082813 0.159978 0.517652 0.6057
D(PENJUALAN(-4),2) 0.031394 0.105355 0.297983 0.7662
C 6.916694 32.38611 0.213570 0.8312
R-squared 0.514771 Mean dependent var -11.46400
Adjusted R-squared 0.494383 S.D. dependent var 505.2208
S.E. of regression 359.2460 Akaike info criterion 14.65270
Sum squared resid 15357862 Schwarz criterion 14.78846
Log likelihood -909.7938 F-statistic 25.24902
Durbin-Watson stat 1.896754 Prob(F-statistic) 0.000000

C. HASIL ESTIMASI 3 MODEL

MODEL I AR(1)

Dependent Variable: D(PENJUALAN)


Method: Least Squares
Date: 03/19/10 Time: 01:51
Sample(adjusted): 1998:03 2008:11
Included observations: 129 after adjusting endpoints
Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 1.600501 29.52559 0.054207 0.9569
AR(1) -0.056708 0.093770 -0.604756 0.5464
R-squared 0.002871 Mean dependent var 1.201550
Adjusted R-squared -0.004980 S.D. dependent var 353.4049
S.E. of regression 354.2838 Akaike info criterion 14.59346

29
Sum squared resid 15940661 Schwarz criterion 14.63779
Log likelihood -939.2779 F-statistic 0.365730
Durbin-Watson stat 1.886762 Prob(F-statistic) 0.546420
Inverted AR Roots -.06

MODEL II AR(1) AR(2)

Dependent Variable: D(PENJUALAN)


Method: Least Squares
Date: 03/19/10 Time: 01:52
Sample(adjusted): 1998:04 2008:11
Included observations: 128 after adjusting endpoints
Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 4.300139 23.94166 0.179609 0.8578
AR(1) -0.092033 0.095161 -0.967135 0.3353
AR(2) -0.206263 0.099923 -2.064229 0.0411
R-squared 0.035610 Mean dependent var 0.750000
Adjusted R-squared 0.020180 S.D. dependent var 354.7562
S.E. of regression 351.1584 Akaike info criterion 14.58351
Sum squared resid 15414031 Schwarz criterion 14.65035
Log likelihood -930.3447 F-statistic 2.307836
Durbin-Watson stat 1.901315 Prob(F-statistic) 0.103701
Inverted AR Roots -.05 -.45i -.05+.45i

MODEL 3 AR(1) MA(1)

Dependent Variable: D(PENJUALAN)


Method: Least Squares
Date: 03/19/10 Time: 01:53
Sample(adjusted): 1998:03 2008:11
Included observations: 129 after adjusting endpoints
Convergence achieved after 16 iterations
Backcast: 1998:02
Variable Coefficient Std. Error t-Statistic Prob.
C 11.69385 5.015577 2.331506 0.0213
AR(1) 0.719726 0.075078 9.586392 0.0000
MA(1) -0.970116 0.024704 -39.26990 0.0000

30
R-squared 0.092714 Mean dependent var 1.201550
Adjusted R-squared 0.078313 S.D. dependent var 353.4049
S.E. of regression 339.2848 Akaike info criterion 14.51454
Sum squared resid 14504385 Schwarz criterion 14.58105
Log likelihood -933.1877 F-statistic 6.437876
Durbin-Watson stat 1.731213 Prob(F-statistic) 0.002177
Inverted AR Roots .72
Inverted MA Roots .97

KURVA ESTIMASI PENJUALAN MOTOR

3500

3000

2500

2000

1500

1000

500

0
98 99 00 01 02 03 04 05 06 07 08 09 10

PENJUALAN PENJUALANF

HASIL PROYEKSI/ FORECASTING 2009-2010

PENJUALAN PENJUALANF
607.0000 607.0000
199.0000 199.0000
258.0000 223.8282
306.0000 224.1115
331.0000 225.7867
397.0000 227.3829
275.0000 228.9837
310.0000 230.5842
337.0000 232.1847
435.0000 233.7852
393.0000 235.3857
513.0000 236.9862
339.0000 238.5867
299.0000 240.1872

31
398.0000 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
949.0000 320.2122
1142.000 321.8127

32
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
1541.000 401.8377
1767.000 403.4382

33
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: 01:58


Sample: 1998:01 2010:12
Included observations: 131
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
.|*******| .|*******| 1 0.863 0.863 99.832 0.000
.|****** | .|. | 2 0.753 0.032 176.43 0.000

34
.|***** | .|* | 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: 01:59


Sample: 1998:01 2010:12
Included observations: 130
Autocorrelation 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
*|. | *|. | 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

35
.|. | .|. | 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 2008:11


DATA PENJUALAN
EQUATION EQ1.LS D(PENJUALAN) C AR(1)
SHOW EQ1
EQUATION EQ2.LS D(PENJUALAN) C AR(1) AR(2)
SHOW EQ2
EQUATION EQ3.LS D(PENJUALAN) C AR(1) MA(1)
SHOW EQ3
EQUATION EQ3.LS D(PENJUALAN) C AR(1) MA(1)
EXPAND 1998:1 2010:12
SMPL 1998:1 2010:12
FORECAST PENJUALANF
PLOT PENJUALAN PENJUALANF
SHOW PENJUALAN PENJUALANF

36
LAMPIRAN 3. UNTUK PROYEKSI PENJUALAN UNI T MOBIL
TAHUN 2009 DAN 2010 DALAM PRIODE
BULANAN

1. UJI STASIONERITAS DATA


A. TAHAP LEVEL

ADF Test Statistic -3.210137 1% Critical Value* -3.5153


5% Critical Value -2.8986
10% Critical Value -2.5863
*MacKinnon critical values for rejection of hypothesis of a unit root.

Augmented Dickey-Fuller Test Equation


Dependent Variable: D(PENJUALAN)
Method: Least Squares
Date: 03/19/10 Time: 02:16
Sample(adjusted): 2002:06 2008:11
Included observations: 78 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
PENJUALAN(-1) -0.420585 0.131018 -3.210137 0.0020
D(PENJUALAN(-1)) -0.450498 0.144848 -3.110143 0.0027
D(PENJUALAN(-2)) 0.129260 0.155513 0.831186 0.4086
D(PENJUALAN(-3)) 0.321833 0.152884 2.105079 0.0388
D(PENJUALAN(-4)) 0.158170 0.117938 1.341130 0.1841
C 16.49283 5.625447 2.931825 0.0045
R-squared 0.511083 Mean dependent var -0.205128
Adjusted R-squared 0.477130 S.D. dependent var 27.12949
S.E. of regression 19.61727 Akaike info criterion 8.864501
Sum squared resid 27708.28 Schwarz criterion 9.045786
Log likelihood -339.7155 F-statistic 15.05283
Durbin-Watson stat 1.963514 Prob(F-statistic) 0.000000

B. DEFERENSI (I)

ADF Test Statistic -4.158986 1% Critical Value* -3.5164


5% Critical Value -2.8991
10% Critical Value -2.5865
*MacKinnon critical values for rejection of hypothesis of a unit root.

37
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PENJUALAN,2)
Method: Least Squares
Date: 03/19/10 Time: 02:16
Sample(adjusted): 2002:07 2008:11
Included observations: 77 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic 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(-3),2) 0.132085 0.244846 0.539463 0.5913
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 -0.272727
Adjusted R-squared 0.819168 S.D. dependent var 49.42954
S.E. of regression 21.01960 Akaike info criterion 9.003506
Sum squared resid 31369.48 Schwarz criterion 9.186141
Log likelihood -340.6350 F-statistic 69.85584
Durbin-Watson stat 1.974304 Prob(F-statistic) 0.000000

C. HASIL ESTIMASI 3 MODEL


MODEL I AR(1)

Dependent Variable: D(PENJUALAN)


Method: Least Squares
Date: 03/19/10 Time: 02:17
Sample(adjusted): 2002:03 2008:11
Included observations: 81 after adjusting endpoints
Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C -0.094775 1.381014 -0.068627 0.9455
AR(1) -0.647499 0.086297 -7.503111 0.0000
R-squared 0.416098 Mean dependent var -0.148148
Adjusted R-squared 0.408707 S.D. dependent var 26.62945
S.E. of regression 20.47687 Akaike info criterion 8.900851
Sum squared resid 33124.89 Schwarz criterion 8.959973
Log likelihood -358.4845 F-statistic 56.29668
Durbin-Watson stat 2.171657 Prob(F-statistic) 0.000000
Inverted AR Roots -.65

MODEL II AR(1) AR(2)

Dependent Variable: D(PENJUALAN)


Method: Least Squares
Date: 03/19/10 Time: 02:18
Sample(adjusted): 2002:04 2008:11
Included observations: 80 after adjusting endpoints

38
Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 0.024768 1.188702 0.020836 0.9834
AR(1) -0.757640 0.114144 -6.637556 0.0000
AR(2) -0.163026 0.114117 -1.428593 0.1572
R-squared 0.433932 Mean dependent var -0.100000
Adjusted R-squared 0.419229 S.D. dependent var 26.79392
S.E. of regression 20.41919 Akaike info criterion 8.907606
Sum squared resid 32104.64 Schwarz criterion 8.996932
Log likelihood -353.3043 F-statistic 29.51307
Durbin-Watson stat 1.932172 Prob(F-statistic) 0.000000
Inverted AR Roots -.38 -.14i -.38+.14i

MODEL 3 AR(1) MA(1)

Dependent Variable: D(PENJUALAN)


Method: Least Squares
Date: 03/19/10 Time: 02:19
Sample(adjusted): 2002:03 2008:11
Included observations: 81 after adjusting endpoints
Convergence achieved after 8 iterations
Backcast: 2002:02
Variable Coefficient Std. Error t-Statistic Prob.
C -0.026078 1.191941 -0.021879 0.9826
AR(1) -0.541174 0.144174 -3.753619 0.0003
MA(1) -0.192516 0.170747 -1.127497 0.2630
R-squared 0.428062 Mean dependent var -0.148148
Adjusted R-squared 0.413397 S.D. dependent var 26.62945
S.E. of regression 20.39550 Akaike info criterion 8.904839
Sum squared resid 32446.16 Schwarz criterion 8.993523
Log likelihood -357.6460 F-statistic 29.18922
Durbin-Watson stat 1.982077 Prob(F-statistic) 0.000000
Inverted AR Roots -.54
Inverted MA Roots .19

KURVA ESTIMASI PENJUALAN MOBIL


160

120

80

40

0
02 03 04 05 06 07 08 09 10

PENJUALAN PENJUALANF

39
HASIL PROYEKSI/ FORECASTING 2009-2010

PENJUALAN PENJUALANF
30.00000 30.00000
16.00000 16.00000
12.00000 24.90885
14.00000 18.98423
20.00000 22.66428
16.00000 20.12531
34.00000 21.61315
15.00000 20.49363
13.00000 21.06237
27.00000 20.53797
28.00000 20.72138
32.00000 20.44648
24.00000 20.46834
21.00000 20.29804
57.00000 20.25217
60.00000 20.12573
48.00000 20.05145
66.00000 19.94341
111.0000 19.85723
90.00000 19.75688
87.00000 19.66571
147.0000 19.56860
45.00000 19.47534
121.0000 19.37959
13.00000 19.28545
26.00000 19.19026
19.00000 19.09575
32.00000 19.00080
44.00000 18.90614
33.00000 18.81129
28.00000 18.71656
45.00000 18.62176
19.00000 18.52700
49.00000 18.43222
37.00000 18.33745
73.00000 18.24267
24.00000 18.14790
49.00000 18.05312
52.00000 17.95835
35.00000 17.86357
34.00000 17.76879
45.00000 17.67402
32.00000 17.57924
42.00000 17.48447
36.00000 17.38969

40
46.00000 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
NA 12.93526
NA 12.84049
NA 12.74571
NA 12.65094
NA 12.55616

41
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: 02:24


Sample: 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
.|. | .*| . | 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

42
.*| . | .|. | 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: 02:25


Sample: 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
. |*. | .|. | 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

43
RUMUS SYNTAX

WORKFILE M 2002:1 2008:11


DATA PENJUALAN
EQUATION EQ1.LS D(PENJUALAN) C AR(1)
SHOW EQ1
EQUATION EQ2.LS D(PENJUALAN) C AR(1) AR(2)
SHOW EQ2
EQUATION EQ3.LS D(PENJUALAN) C AR(1) MA(1)
SHOW EQ3
EQUATION EQ1.LS D(PENJUALAN) C AR(1)
EXPAND 2002:1 2010:12
SMPL 2002:1 2010:12
FORECAST PENJUALANF
PLOT PENJUALAN PENJUALANF
SHOW PENJUALAN PENJUALANF

44