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.
No

PERUSAHAAN

PANGSA PASAR ( PP) %

2006
1 KRIDA
31,00
2 ASTRA HONDA
23,00
3 SPS
21,00
4 MPM
13,00
5 NSS
8,00
6 PADOLO MOTOR
2,00
7 SURYA UTAMA PERKASA
2,00
TOTAL
100,00
Sumber : PT. Krida Dinamik Autonosa NTB

2007
30,00
25,00
20,00
12,00
8,00
3,00
2,00
100,00

2008
31,00
27,00
19,00
10,00
8,00
3,00
2,00
100,00

Berdasarkani tabel 1 diatas terlihat bahwa penguasaan pangsa
pasar ( Market Share ) PT. KRIDA 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
KRIDA DINAMIK AUTONOSA NTB

JUMLAH
PENJUALAN
25000

24524
20000
15000

Series1

21343
19106
17471
16458

15501
13834

10000
8451
5000 436151885342
0
1

2

3

4

5

6

TAHUN 1998-2008

7

8

9

S1
10

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 masingmasing 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
877

900
800
700

Series1

600
500
400
300
200

418

483

257

385

390

386

5

6

7

100
0
1

2

3

TAHUN 2002-2008

4

S1

Sumber : Data Skunder diolah
Berdasarkan data Penjualan unit tahunan Devisi Mobil di PT
KDA NTB, maka dapat dilihat bahwa di tahun 2002 jumlah
permintaan mobil adalah sebesar 257 unit, meningkat di tahun 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 BoxJenkins. Model Box jenkins merupakan salah satu tehnik peramalan
model time series yang hanya berdasarkan prilaku data variabel
yang diamati ( let the data speak for themselves). Teknik Box-Jenkin
sebagai teknik peramalan berbeda dengan kebanyakan model
peramalan yang ada. Didalam model ini tidak ada asumsi khusus
tentang data historis dari runtut waktu tetapi menggunakan metode
iteratifuntuk menentukan model terbaik. ( Widarjono, 2005 : 299).
Metode Box-Jenkins dengan ARMA (Autoregressive-moving
average) adalah metode yang menggabungkan banyak unsur dalam
teori dan banyak dipakai untuk tujuan peramalan (forecasting).
Metode Wold (1951) ini menggabungkan dua pola serial waktu yaitu
AR (Autoregressive) oleh Yule (1926) dan MA (moving average) oleh
Slutzky (1937).

Metode Box-Jenkins ini merupakan metode yang

sangat canggih untuk melakukan peramalan jangka pendek. Hasil
peramalan akurat yang dihasilkan metode ini akan membantu

6

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,
diasumsikan

dan

pendapat

dalam

keadaan

distributor

tidak

digunakan,

atau

ceteris

paribus.

Walaupun

pada

hakikatnya tidak demikian, hal ini disebabkan oleh keterbatasan
penelitian dalam mengakses data kepihak-pihak tersebut. Sehingga
hanya data jumlah penjualan PT KDA NTB yang digunakan sebagai
bahan proyeksi. Data historis yang digunakan mulai dari tahun 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
penjualan sepeda Motor
ADF Test Statistic

5.08944
4

data

1% Critical Value*

pada

devisi

-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 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

Adjusted R-squared 0.493510

S.D. dependent var

S.E. of regression

Akaike info criterion

365.1158

Sum squared resid

1533060
0
Log likelihood
882.5406
Durbin-Watson stat 1.899014

Schwarz criterion
F-statistic
Prob(F-statistic)

4
513.033
1
14.6866
2
14.8252
6
24.3849
8
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
A

AR(1)

ARIMA
(1,0,0)

1.6005
(0.0542)

-0.0567
(
-0.6047)

ARIMA
(0,01)
ARIM
A
(1,0,1
)

4.3001
(0.1796)

-0.0920
(-0.9671)

11.6938
(2.3315)

0.7197
(9.5863
)

MODEL

AR(2)

MA(1)

R2

F-STAT

AIC

-0.2062
(2.0642)

-

0.00
2

0.365
7

14.5
93

-

0.03
5

2.307
8

14.5
83

-0.9701
(39.269)

0.09
2

6.437
8

14.5
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, Rsquare terbesar, dan Akaike Information criterion (AIC) paling
minimal. Karena model tersebut memenuhi kriteria model BoxJenkins yang tepat, maka pada tahap selanjutnya model tersebut
dapat digunakan sebagai model peramalan yang paling akurat.
Dengan proyeksi yang mendekati nilai aktual.
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

PENJUALAN

04

05

06

07

08

09

10

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
2009

2010

BULAN
JANUARI
FEBUARI
MARET
APRIL
MEI
JUNI
JULI
AGUSTUS
SEPTEMBE
R
OKTOBER
NOVEMBER
DESEMBER
JANUARI
FEBUARI
MARET
APRIL
MEI
JUNI
JULI
AGUSTUS
SEPTEMBE
R
OKTOBER
NOVEMBER
DESEMBER

HASIL PROYEKSI
430.6467
432.2472
433.8477
435.4482
437.0487
438.6492
440.2497
441.8502
443.4507
445.0512
446.6517
448.2522
449.8527
451.4532
453.0537
454.6542
456.2547
457.8552
459.4557
461.0562
462.6567
464.2572
465.8577
467.4582

Sumber : data diolah dengan software Eviews 3.0

17

Berdasarkan

tabel

proyeksi

diatas,

yang

telah

diolah

menggunakan perangkat lunak statistik (eviews versi 3.0), maka
dapat dilihat bahwa pada tahun 2009 dalam proiode bulanan trend
penjualan terus mengalami peningkatan penjualan sebesar 448 unit
motor di bulan Desember tahun 2009. sementara ditahun 2010 hal
yang serupa terjadi dimana trend penjualan terus mengalami
peningkatan dam puncak peramalan mencapai angka 467 pada
bulan desember tahun 2010. artinya pada kondisi ini prilaku data
penjualan priode sebelumnya efektif untuk memproyeksi penjualan
ditahun 2009 dan 2010 setiap bulannya.
2.2.5

Tabel

5 hasil

Uji Stationaritas

data

pada

devisi

penjualan Mobil tahun 2009 dan 2010 dalam priode
bulanan
ADF Test Statistic

4.158986

1% Critical Value*

-3.5164

5% Critical Value
-2.8991
10% Critical Value
-2.5865
*MacKinnon critical values for rejection of hypothesis of a unit
root.
Augmented Dickey-Fuller Test 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
t
D(PENJUALAN(-1))
- 0.436627 -4.158986
1.815924
D(PENJUALAN(0.075326 0.394773 0.190808
1),2)
D(PENJUALAN(0.007389 0.333321 0.022167
2),2)
D(PENJUALAN(0.132085 0.244846 0.539463
3),2)

Prob.
0.0001
0.8492
0.9824
0.5913

18

D(PENJUALAN(4),2)
C
R-squared

0.099410

0.120436

0.825419

0.4119

0.066154
0.831065

2.400433 -0.027559

0.9781

Mean dependent
var

Adjusted R-squared 0.819168

S.D. dependent var

S.E. of regression

21.01960

Akaike info criterion

Sum squared resid

31369.48

Schwarz criterion

Log likelihood

340.6350
Durbin-Watson stat 1.974304

F-statistic
Prob(F-statistic)

0.27272
7
49.4295
4
9.00350
6
9.18614
1
69.8558
4
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
MODEL

ARIM
A
(1,0,0

KONSTANT
A

)

-0.0947
(-0.0686)

ARIMA
(0,01)
ARIMA
(1,0,1)

0.0247
(0.0208)
-0.0260
(-0.0218)

AR(1)

0.6474
(7.5031
)
0.75764
(6.6375)
-0.5411
(3.7536)

AR(2)

MA(1)

R2

F-STAT

AIC

-

-

0.41
6

56.29
66

8.9008

0.43
3
0.42
8

29.51
30
29.18
92

-0.1630
(
-1.4285)
-

0.19251
(-

8.9076
8.9048

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

PENJUALAN

07

08

09

10

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
N
2009

2010

BULAN
JANUARI
FEBUARI
MARET
APRIL
MEI
JUNI
JULI
AGUSTUS
SEPTEMBE
R
OKTOBER
NOVEMBER
DESEMBER
JANUARI
FEBUARI
MARET
APRIL
MEI
JUNI
JULI
AGUSTUS
SEPTEMBE
R
OKTOBER
NOVEMBER
DESEMBER

HASIL
PROYEKSI
13.59869
13.50391
13.40914
13.31436
13.21959
13.12481
13.03004
12.93526
12.84049
12.74571
12.65094
12.55616
12.46139
12.36661
12.27184
12.17706
12.08229
11.98751
11.89274
11.79796
11.70319
11.60841
11.51364
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. Ratarata peningkatan penjualan setiap bulannya adalah 1 sampai 2
unit kendaraan bermotor.
4. Sementara hasil proyeksi penjualan 2009 dan 2010 untuk
devisi mobil menunjukan trend negatif (penurunan). Artinya
ada kecendrungan kuat

bahwa permintaan terhadap Mobil

akan berkurang, hasil proyeksi menunjukan di bulan januari
2009 permintaan terhadap mobil adalah sebesar 13 unit, dan
terus mengalami penurunan setiap bulannya, hingga di bulan
Desember 2009, angka permintaan menurun sebesar 12 unit
kendaraan. Ditahun 2010 pada bulan januari penjualan masih
berada pada angka yang sama seperti di bulan januari 2009
yaitu sebesar 12 unit kendaraan, penurunan mulai terjadi di
bulan Juni 2010 yaitu sebesar 11 unit mobil. Penurunan di
bulan Juni ini kemungkinan akan berlangsung sampai di akhir
bulan desember 2010 yaitu sebesar 11 unit kendaraan
( Mobil).
3.2 Saran
Berdasarkan

kesimpulan

diatas

maka

dapat

disarankan

beberapa rekomendasi substansial bagi PT Krida Dinamik Autonosa
NTB.
1. PT Krida Dinamik Autonosa sebaiknya mempersiapkan diri
dengan

kemungkinan

terjadinya

penurunan

penjualan

kendaraan (Mobil), untuk mengantisipasi kondisi ini maka

24

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
Sum squared resid
Log likelihood
Durbin-Watson stat

349.2814
14639704
-913.5531
1.902214

Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

14.59608
14.73114
2.197807
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
D(PENJUALAN(-1)) -1.439042
0.278606 -5.165145
D(PENJUALAN(-1),2) 0.341325
0.245027
1.393011
D(PENJUALAN(-2),2) 0.123910
0.207272
0.597812
D(PENJUALAN(-3),2) 0.082813
0.159978
0.517652
D(PENJUALAN(-4),2) 0.031394
0.105355
0.297983
C
6.916694
32.38611
0.213570
R-squared
0.514771 Mean dependent var
Adjusted R-squared
0.494383 S.D. dependent var
S.E. of regression
359.2460 Akaike info criterion
Sum squared resid
15357862 Schwarz criterion
Log likelihood
-909.7938 F-statistic
Durbin-Watson stat
1.896754 Prob(F-statistic)

Prob.
0.0000
0.1662
0.5511
0.6057
0.7662
0.8312
-11.46400
505.2208
14.65270
14.78846
25.24902
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
Log likelihood
Durbin-Watson stat
Inverted AR Roots

15940661
-939.2779
1.886762
-.06

Schwarz criterion
F-statistic
Prob(F-statistic)

14.63779
0.365730
0.546420

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
C
4.300139
23.94166
0.179609
AR(1)
-0.092033
0.095161 -0.967135
AR(2)
-0.206263
0.099923 -2.064229
R-squared
0.035610 Mean dependent var
Adjusted R-squared
0.020180 S.D. dependent var
S.E. of regression
351.1584 Akaike info criterion
Sum squared resid
15414031 Schwarz criterion
Log likelihood
-930.3447 F-statistic
Durbin-Watson stat
1.901315 Prob(F-statistic)
Inverted AR Roots
-.05 -.45i -.05+.45i

Prob.
0.8578
0.3353
0.0411
0.750000
354.7562
14.58351
14.65035
2.307836
0.103701

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
C
11.69385
5.015577
2.331506
AR(1)
0.719726
0.075078
9.586392
MA(1)
-0.970116
0.024704 -39.26990

Prob.
0.0213
0.0000
0.0000

30

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Inverted MA Roots

0.092714
0.078313
339.2848
14504385
-933.1877
1.731213
.72
.97

Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.201550
353.4049
14.51454
14.58105
6.437876
0.002177

KURVA ESTIMASI PENJUALAN MOTOR
3500
3000
2500
2000
1500
1000
500
0
98

99

00

01

02

03

PENJUALAN

04

05

06

07

08

09

10

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
399.0000
292.0000
232.0000
352.0000
437.0000
517.0000
584.0000
596.0000
743.0000
190.0000
416.0000
510.0000
352.0000
425.0000
416.0000
435.0000
573.0000
571.0000
486.0000
506.0000
462.0000
470.0000
625.0000
677.0000
665.0000
724.0000
684.0000
901.0000
840.0000
542.0000
900.0000
822.0000
601.0000
856.0000
952.0000
953.0000
1085.000
1294.000
1116.000
1355.000
1412.000
823.0000
1347.000
1653.000
988.0000
1010.000
784.0000
838.0000
949.0000
1142.000

241.7877
243.3882
244.9887
246.5892
248.1897
249.7902
251.3907
252.9912
254.5917
256.1922
257.7927
259.3932
260.9937
262.5942
264.1947
265.7952
267.3957
268.9962
270.5967
272.1972
273.7977
275.3982
276.9987
278.5992
280.1997
281.8002
283.4007
285.0012
286.6017
288.2022
289.8027
291.4032
293.0037
294.6042
296.2047
297.8052
299.4057
301.0062
302.6067
304.2072
305.8077
307.4082
309.0087
310.6092
312.2097
313.8102
315.4107
317.0112
318.6117
320.2122
321.8127

32

1327.000
1469.000
1745.000
1672.000
1659.000
1483.000
1423.000
1042.000
1055.000
1365.000
1887.000
2528.000
3062.000
2635.000
2552.000
2441.000
2461.000
1494.000
2002.000
1531.000
1299.000
1525.000
1560.000
1586.000
1300.000
1678.000
2275.000
1502.000
1402.000
770.0000
1043.000
717.0000
742.0000
746.0000
794.0000
1096.000
1197.000
1421.000
1410.000
2633.000
2419.000
1468.000
1815.000
1294.000
1064.000
865.0000
1157.000
1698.000
1901.000
1541.000
1767.000

323.4132
325.0137
326.6142
328.2147
329.8152
331.4157
333.0162
334.6167
336.2172
337.8177
339.4182
341.0187
342.6192
344.2197
345.8202
347.4207
349.0212
350.6217
352.2222
353.8227
355.4232
357.0237
358.6242
360.2247
361.8252
363.4257
365.0262
366.6267
368.2272
369.8277
371.4282
373.0287
374.6292
376.2297
377.8302
379.4307
381.0312
382.6317
384.2322
385.8327
387.4332
389.0337
390.6342
392.2347
393.8352
395.4357
397.0362
398.6367
400.2372
401.8377
403.4382

33

1617.000
1807.000
2141.000
2254.000
1810.000
1802.000
2029.000
2410.000
2427.000
1948.000
1914.000
2001.000
2927.000
1721.000
354.0000
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA

405.0387
406.6392
408.2397
409.8402
411.4407
413.0412
414.6417
416.2422
417.8427
419.4432
421.0437
422.6442
424.2447
425.8452
427.4457
429.0462
430.6467
432.2472
433.8477
435.4482
437.0487
438.6492
440.2497
441.8502
443.4507
445.0512
446.6517
448.2522
449.8527
451.4532
453.0537
454.6542
456.2547
457.8552
459.4557
461.0562
462.6567
464.2572
465.8577
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
.|*******|
.|*******|
.|****** |
.|.
|

1
2

AC
0.863
0.753

PAC
0.863
0.032

Q-Stat
99.832
176.43

Prob
0.000
0.000

34

.|*****
.|*****
.|****
.|****
.|****
.|****
.|****
.|****
.|****
.|****
.|****
.|***
.|***
.|**
.|**
.|**
.|**
.|**
.|**
.|**
.|**
.|**
.|**
.|**
.|**
.|**
.|*
.|*
.|*
.|*
.|*
.|*
.|*
.|*

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

.|*
.|.
.|.
.|.
.|*
.|*
.|*
.|.
.|.
.|.
*|.
.|.
*|.
.|.
*|.
.|.
.|*
.|*
.|.
.|.
.|*
.|.
*|.
.|*
.|.
.|.
*|.
*|.
.|*
.|.
.|.
.|.
.|*
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

0.698
0.630
0.567
0.509
0.486
0.487
0.509
0.516
0.500
0.492
0.464
0.435
0.370
0.322
0.261
0.224
0.230
0.243
0.265
0.271
0.295
0.309
0.253
0.241
0.227
0.199
0.151
0.109
0.106
0.117
0.130
0.139
0.168
0.189

0.160
-0.042
0.012
-0.024
0.121
0.110
0.164
0.018
-0.035
0.014
-0.068
0.020
-0.154
0.028
-0.158
0.054
0.085
0.097
0.059
-0.041
0.077
-0.019
-0.181
0.150
0.015
-0.008
-0.110
-0.085
0.073
0.018
0.031
0.022
0.073
-0.032

242.68
297.20
341.70
377.81
411.03
444.68
481.75
520.13
556.39
591.82
623.61
651.83
672.42
688.09
698.50
706.20
714.45
723.75
734.88
746.62
760.70
776.22
786.75
796.38
805.04
811.74
815.66
817.69
819.65
822.04
825.07
828.52
833.67
840.22

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
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
.|.
|
.|.
|
*|.
|
*|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
.|.
|
*|.
|
*|.
|
*|.
|
*|.
|
*|.
|
*|.
|

1
2
3
4
5
6
7
8

AC
-0.050
-0.149
0.001
-0.019
-0.015
-0.117
-0.092
-0.098

PAC
-0.050
-0.152
-0.015
-0.044
-0.021
-0.133
-0.119
-0.164

Q-Stat
0.3306
3.2955
3.2958
3.3460
3.3752
5.2775
6.4651
7.8245

Prob
0.565
0.192
0.348
0.502
0.642
0.509
0.487
0.451

35

.|.
.|*
.|.
.|*
.|.
.|*
.|.
.|.
*|.
*|.
.|.
.|.
.|*
*|.
.|*
.|**
*|.
.|.
.|.
.|*
.|.
*|.
*|.
.|.
.|.
*|.
.|.
.|*

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

.|.
.|.
.|.
.|.
.|.
.|*
*|.
.|*
*|.
*|.
*|.
*|.
.|.
*|.
.|.
.|*
*|.
.|.
.|.
.|*
.|.
*|.
.|.
.|.
*|.
*|.
.|.
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

0.051
0.089
-0.006
0.066
-0.015
0.135
-0.056
0.032
-0.073
-0.177
-0.048
-0.046
0.073
-0.060
0.074
0.230
-0.112
0.018
-0.008
0.076
-0.029
-0.160
-0.060
-0.016
0.019
-0.084
0.051
0.079

-0.011
0.036
-0.010
0.056
-0.041
0.125
-0.061
0.093
-0.066
-0.137
-0.104
-0.090
0.037
-0.085
0.055
0.167
-0.125
-0.012
-0.030
0.094
0.035
-0.115
-0.041
-0.026
-0.060
-0.098
0.005
0.016

8.1985
9.3234
9.3295
9.9583
9.9895
12.683
13.154
13.304
14.117
18.925
19.279
19.602
20.452
21.016
21.893
30.455
32.487
32.541
32.551
33.526
33.669
38.079
38.705
38.752
38.817
40.077
40.543
41.693

0.514
0.502
0.592
0.620
0.695
0.552
0.590
0.650
0.659
0.396
0.439
0.483
0.493
0.520
0.527
0.170
0.144
0.176
0.212
0.217
0.252
0.148
0.161
0.191
0.224
0.219
0.239
0.237

RUMUS SYNTAX DI SOFTWARE EVIEWS UNTUK ESTIMASI
PENJUALAN MOTOR
WORKFILE M 1998:1 2008:11
DATA PENJUALAN
EQUATION EQ1.LS D(PENJUALAN)
SHOW EQ1
EQUATION EQ2.LS D(PENJUALAN)
SHOW EQ2
EQUATION EQ3.LS D(PENJUALAN)
SHOW EQ3
EQUATION EQ3.LS D(PENJUALAN)
EXPAND 1998:1 2010:12
SMPL 1998:1 2010:12
FORECAST PENJUALANF
PLOT PENJUALAN PENJUALANF
SHOW PENJUALAN PENJUALANF

C AR(1)
C AR(1) AR(2)
C AR(1) MA(1)
C AR(1) MA(1)

36

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
PENJUALAN(-1)
-0.420585
0.131018 -3.210137
D(PENJUALAN(-1)) -0.450498
0.144848 -3.110143
D(PENJUALAN(-2))
0.129260
0.155513
0.831186
D(PENJUALAN(-3))
0.321833
0.152884
2.105079
D(PENJUALAN(-4))
0.158170
0.117938
1.341130
C
16.49283
5.625447
2.931825
R-squared
0.511083 Mean dependent var
Adjusted R-squared
0.477130 S.D. dependent var
S.E. of regression
19.61727 Akaike info criterion
Sum squared resid
27708.28 Schwarz criterion
Log likelihood
-339.7155 F-statistic
Durbin-Watson stat
1.963514 Prob(F-statistic)

Prob.
0.0020
0.0027
0.4086
0.0388
0.1841
0.0045
-0.205128
27.12949
8.864501
9.045786
15.05283
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
D(PENJUALAN(-1)) -1.815924
0.436627 -4.158986
D(PENJUALAN(-1),2) 0.075326
0.394773
0.190808
D(PENJUALAN(-2),2) 0.007389
0.333321
0.022167
D(PENJUALAN(-3),2) 0.132085
0.244846
0.539463
D(PENJUALAN(-4),2) 0.099410
0.120436
0.825419
C
-0.066154
2.400433 -0.027559
R-squared
0.831065 Mean dependent var
Adjusted R-squared
0.819168 S.D. dependent var
S.E. of regression
21.01960 Akaike info criterion
Sum squared resid
31369.48 Schwarz criterion
Log likelihood
-340.6350 F-statistic
Durbin-Watson stat
1.974304 Prob(F-statistic)

Prob.
0.0001
0.8492
0.9824
0.5913
0.4119
0.9781
-0.272727
49.42954
9.003506
9.186141
69.85584
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
C
-0.094775
1.381014 -0.068627
AR(1)
-0.647499
0.086297 -7.503111
R-squared
0.416098 Mean dependent var
Adjusted R-squared
0.408707 S.D. dependent var
S.E. of regression
20.47687 Akaike info criterion
Sum squared resid
33124.89 Schwarz criterion
Log likelihood
-358.4845 F-statistic
Durbin-Watson stat
2.171657 Prob(F-statistic)
Inverted AR Roots
-.65

Prob.
0.9455
0.0000
-0.148148
26.62945
8.900851
8.959973
56.29668
0.000000

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
C
0.024768
1.188702
0.020836
AR(1)
-0.757640
0.114144 -6.637556
AR(2)
-0.163026
0.114117 -1.428593
R-squared
0.433932 Mean dependent var
Adjusted R-squared
0.419229 S.D. dependent var
S.E. of regression
20.41919 Akaike info criterion
Sum squared resid
32104.64 Schwarz criterion
Log likelihood
-353.3043 F-statistic
Durbin-Watson stat
1.932172 Prob(F-statistic)
Inverted AR Roots
-.38 -.14i -.38+.14i

Prob.
0.9834
0.0000
0.1572
-0.100000
26.79392
8.907606
8.996932
29.51307
0.000000

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
C
-0.026078
1.191941 -0.021879
AR(1)
-0.541174
0.144174 -3.753619
MA(1)
-0.192516
0.170747 -1.127497
R-squared
0.428062 Mean dependent var
Adjusted R-squared
0.413397 S.D. dependent var
S.E. of regression
20.39550 Akaike info criterion
Sum squared resid
32446.16 Schwarz criterion
Log likelihood
-357.6460 F-statistic
Durbin-Watson stat
1.982077 Prob(F-statistic)
Inverted AR Roots
-.54
Inverted MA Roots
.19

Prob.
0.9826
0.0003
0.2630
-0.148148
26.62945
8.904839
8.993523
29.18922
0.000000

KURVA ESTIMASI PENJUALAN MOBIL
160

120

80

40

0
02

03

04

05

06

PENJUALAN

07

08

09

10

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
23.00000
65.00000
20.00000
28.00000
20.00000
26.00000
27.00000
33.00000
29.00000
25.00000
38.00000
31.00000
40.00000
68.00000
32.00000
17.00000
35.00000
27.00000
28.00000
31.00000
37.00000
26.00000
44.00000
28.00000
30.00000
55.00000
14.00000
38.00000
40.00000
42.00000
36.00000
47.00000
47.00000
47.00000
42.00000
29.00000
4.000000
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA

17.29492
17.20014
17.10537
17.01059
16.91582
16.82104
16.72627
16.63149
16.53672
16.44194
16.34717
16.25239
16.15762
16.06284
15.96807
15.87329
15.77852
15.68374
15.58897
15.49419
15.39942
15.30464
15.20987
15.11509
15.02032
14.92554
14.83077
14.73599
14.64121
14.54644
14.45166
14.35689
14.26211
14.16734
14.07256
13.97779
13.88301
13.78824
13.69346
13.59869
13.50391
13.40914
13.31436
13.21959
13.12481
13.03004
12.93526
12.84049
12.74571
12.65094
12.55616

41

NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA
NA

12.46139
12.36661
12.27184
12.17706
12.08229
11.98751
11.89274
11.79796
11.70319
11.60841
11.51364
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
. |*** |
. |*** |
. |**** |
. |**** |
. |** |
.|. |
. |** |
.*| . |
. |*. |
.*| . |
.|. |
.|. |
.|. |
.|. |
.*| . |
.|. |
.*| . |
.|. |
.*| . |
.|. |
**| . |
.*| . |
.|. |
. |** |
**| . |
.*| . |
.*| . |
.*| . |
.*| . |
.|. |
.*| . |
.|. |
.*| . |
.|. |
.*| . |
.|. |
.*| . |
.|. |
.|. |
.|. |
.|. |
. |*. |
.|. |
.|. |
.|. |
.*| . |
. |*. |
. |*. |
.|. |
.*| . |
.|. |
.*| . |
.*| . |
.*| . |
.|. |
.|. |
.*| . |
.|. |
.*| . |
.|. |

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

AC
0.367
0.543
0.321
0.213
0.113
0.044
-0.047
-0.085
-0.137
-0.104
-0.255
0.006
-0.234
-0.083
-0.128
-0.131
-0.065
-0.101
-0.068
-0.035
-0.006
0.009
-0.046
0.142
-0.048
0.036
-0.061
-0.056
-0.066
-0.092

PAC
0.367
0.472
0.064
-0.168
-0.130
-0.024
-0.047
-0.054
-0.055
0.046
-0.181
0.217
-0.109
-0.101
-0.015
-0.035
0.056
-0.055
-0.037
0.031
0.068
-0.041
-0.071
0.124
-0.064
-0.124
-0.126
0.041
0.004
-0.030

Q-Stat
11.578
37.277
46.380
50.441
51.595
51.774
51.976
52.652
54.450
55.501
61.850
61.853
67.375
68.077
69.780
71.583
72.039
73.138
73.655
73.794
73.798
73.808
74.052
76.480
76.764
76.924
77.392
77.794
78.365
79.486

Prob
0.001
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

42

.*| .
.*| .
.*| .
.*| .
.*| .
.|.

|
|
|
|
|
|

.|.
.*| .
.|.
.*| .
.|.
. |*.

|
|
|
|
|
|

31
32
33
34
35
36

-0.085
-0.111
-0.077
-0.129
-0.096
0.021

-0.009
-0.063
-0.006
-0.104
0.057
0.092

80.475
82.190
83.035
85.434
86.784
86.853

0.000
0.000
0.000
0.000
0.000
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
*****| . |
*****| . |
. |*** |
.*| . |
.*| . |
. |*. |
.|. |
.|. |
.|. |
.*| . |
.|. |
.*| . |
.|. |
.*| . |
.|. |
.|. |
.*| . |
.*| . |
. |*. |
. |*. |
**| . |
**| . |
. |*** |
.|. |
**| . |
.|. |
. |*. |
.*| . |
.|. |
.|. |
.|. |
.*| . |
. |*. |
.|. |
.|. |
.|. |
.|. |
.*| . |
.|. |
.*| . |
.|. |
.|. |
.|. |
.|. |
.*| . |
.*| . |
. |** |
.|. |
**| . |
.|. |
. |*. |
.|. |
.*| . |
.*| . |
.|. |
.|. |
.|. |
.|. |
.|. |
.|. |
.|. |
.|. |
.|. |
.*| . |
. |*. |
.|. |
.*| . |
.*| . |
.|. |
.*| . |
. |*. |
.|. |

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

AC
-0.640
0.329
-0.088
-0.005
-0.026
0.014
-0.042
0.010
-0.068
0.133
-0.306
0.388
-0.318
0.174
-0.045
-0.050
0.080
-0.050
-0.005
0.007
0.009
0.050
-0.163
0.273
-0.226
0.149
-0.088
0.016
0.013
-0.030
0.028
-0.056
0.078
-0.075
-0.035
0.116

PAC
-0.640
-0.138
0.109
0.036
-0.098
-0.079
-0.063
-0.052
-0.140
0.066
-0.291
0.064
0.025
-0.060
-0.038
-0.123
-0.006
-0.004
-0.075
-0.108
0.007
0.049
-0.103
0.050
0.053
0.030
-0.101
-0.041
-0.009
-0.032
0.021
-0.062
0.043
-0.079
-0.092
-0.036

Q-Stat
34.876
44.194
44.876
44.878
44.939
44.956
45.115
45.125
45.563
47.268
56.362
71.173
81.246
84.300
84.509
84.773
85.455
85.724
85.727
85.733
85.742
86.032
89.144
97.986
104.14
106.89
107.86
107.89
107.92
108.04
108.14
108.58
109.44
110.25
110.44
112.43

Prob
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

43

RUMUS SYNTAX
WORKFILE M 2002:1 2008:11
DATA PENJUALAN
EQUATION EQ1.LS D(PENJUALAN)
SHOW EQ1
EQUATION EQ2.LS D(PENJUALAN)
SHOW EQ2
EQUATION EQ3.LS D(PENJUALAN)
SHOW EQ3
EQUATION EQ1.LS D(PENJUALAN)
EXPAND 2002:1 2010:12
SMPL 2002:1 2010:12
FORECAST PENJUALANF
PLOT PENJUALAN PENJUALANF
SHOW PENJUALAN PENJUALANF

C AR(1)
C AR(1) AR(2)
C AR(1) MA(1)
C AR(1)

44

Sign up to vote on this title
UsefulNot useful