Contoh Studi Kasus Structural Equation M
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
DAFTAR ISI
3
1. Structural Equation Modeling (SEM)......................
2. Markov Chain.........................................................
5
3. Time Series............................................................. 9
3.1.
Analisa Tren................................................. 10
3.2.
Analisa Pola Musiman................................. 12
3.3.
Analisa Forecast dengan Moving Average dan
Smoothing................................................... 13
3.4.
Auto Regressive........................................... 18
4. Reliability/Survival.................................................
20
1
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
1. Structural Equation Modeling (SEM)
Rima Rajut adalah sebuah perusahaan UKM yang melakukan produksi dan
penjualan hasil rajutan kerudung dan tas. Rima Rajut yang beralamatkan di Jl.Kutisari 4
No.22 Kel.Kutisari Kec.Tenggilis Mejoyo Kota.Surabaya ini, selain menjual barang tadi
juga menjual aneka aksesoris, benang, alat rajut dan juga barang-barang yang
berhubungan dengan rajutan untuk membantu pelanggan yang ingin merajut sendiri.
Strategi penjualan produk Rima Rajut selain melalui toko langsung bisa juga
melalui website/online. Pelanggannya pun sudah banyak baik dari kota Surabaya
maupun luar kota, dan kebanyakan memesan melalui online. Rima Rajut juga
menyediakan kursus bagi siapapun yang ingin merajut sendiri serta terdapat buku
panduan merajut yang dibuat oleh pemilik Rima Rajut.
Pada pembuatan model SEM kali ini, bertujuan untuk mengetahui pengaruh
kualitas layanan penjualan produk Rima Rajut terhadap kepuasan pelanggan dan juga
loyalitasnya. Kualitas layanan digunakan sebagai ukuran kepuasan dan loyalitas
pelanggan, kepuasan pelanggan itu sendiri juga digunakan sebagai ukuran loyalitas
pelanggan. Pertanyaan lebih fokuskan kepada responden pelanggan yang pernah
melakukan pemesanan online dikarenakan media penjualan ini menjadi prioritas bagi
Rima Rajut dan jumlah transaksi pelanggannya lebih banyak.
Gambar 1 : Model SEM Rima Rajut.
2
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
KELOMPOK
furqonmauladani@gmail.com
VARIABEL
PERTANYAAN
Kondisi paket pengiriman produk rapih
Produk menarik dan tidak ketinggalan jaman
Tangible (yang
X1
Produk berkualitas bagus
terlihat)
Website Rima Rajut interaktif dan tidak
membingungkan
Terpenuhinya setiap pemesanan yang dilakukan
Reliability
Produk yang dipesan selalu tersedia di stok
X2
(keandalan)
Ketersediaan informasi lengkap tentang produk pada
media online
Karyawan melayani secara ramah dan sopan setiap
pemesanan maupun keluhan
Responsiveness
Pelayanan pengiriman cepat dan tanggap sewaktu ada
X3
(ketanggapan)
pesanan
Kesigapan Rima Rajut dalam menangani masalah
kesalahan pengiriman maupun produk yang cacat
Produk yang dijual tidak cacat dan sesuai dengan yang
dipesan
Assurance
Barang bisa ditukarkan jika terjadi cacat atau tidak
X4
(jaminan)
sesuai yang dipesan
Proses penukaran barang tidak berbelit dan
ditanggung Rima Rajut
Siap dihubungi dari jam 6 pagi sampai jam 10 malam
Kemudahan untuk menghubungi Rima Rajut
Emphaty
X5
(Facebook, Twitter, BBM, Whats App, SMS & telpon)
(perhatian)
Rima Rajut bisa dimintai saran dan ilmu tentang
produk rajutan dan cara merajut
Tabel 1 : Keterangan variabel X yang di observasi pada laten Kualitas.
VARIABEL
PERTANYAAN
Y1
Kesan pelanggan terhadap pelayanan dan produk Rima Rajut
Y2
Kualitas produk sesuai harapan dan harga yang dibayar
Y3
Kualitas produk konsisten sepanjang waktu
Y4
Sering memesan produk di Rima Rajut
Tabel 2 : Keterangan variabel Y yang di observasi pada laten Kepuasan.
VARIABEL
Y5
Y6
Y7
Y8
PERTANYAAN
Saya tidak gengsi memakai produk Rima Rajut di acara resmi atau
biasa
Rima Rajut sebagai pilihan bran utama saya untuk kerudung dan tas
Saya bersedia memesan dan membeli produk Rima Rajut lagi
Saya ingin merekomendasikan produk Rima Rajut kepada orang lain
Tabel 3 : Keterangan variabel Y yang di observasi pada laten Loyalitas.
3
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
2. Markov Chain
Eyeliner merupakan alat kosmetik yang banyak disukai oleh wanita karena dengan
eyeliner yang bagus dan cara memakai yang baik akan membuat penampilan cantik
sempurna. Dengan sedikit melakukan sentuhan eyeliner pada daerah kelopak mata,
mata yang tampak lelah akan lebih segar sehingga membuat mata wanita lebih cantik
mempesona. Banyak sekali merek produk eyeliner dipasaran yang memiliki macammacam keunggulan dan tampilan hasil yang menarik sehingga terkadang membuat
wanita tertarik berpindah-pindah menggunakan merek satu ke merek yang lainnya
untuk mencari produk yang paling cocok.
Maka dari itu, studi kasus ini membahas tentang analisis peluang perpindahan
merek kosmetik eyeliner dengan metode markov chain. Data yang digunakan adalah
hasil kuisioner acak dari 100 perempuan di kecamatan Tenggilis Mejoyo yang biasa
menggunakan produk eyeliner (data yang diambil tidak benar, hanya sebagai
contoh). Data yang diambil adalah penggunaan merek eyeliner pada tahun 2013 dan
2014. Merek untuk produk eyeliner yang akan diamati seperti Wardah, Maybelline,
Oriflame, Sariayu, L’Oreal.
Jumlah
Persentasi
Pelanggan
15
15 %
1
Wardah
19
19 %
2
Maybelline
8
8%
3
Oriflame
32
32
%
4
Sariayu
26
26 %
5
L'Oreal
100
100 %
Total
Tabel 4 : Jumlah pelanggan masing-masing merek pada tahun 2014.
No.
Merek
Dari data diatas menunjukkan jumlah pelanggan pada periode saat ini. Merek
Sariayu menempati peringkat pertama dengan jumlah 32 pelanggan dari 100
responden, yang artinya 32% proporsinya. Sedangkan merek Oriflame menempati
urutan terbawah dengan persentasi 8%. Berikut ini tabel perpindahan merek eyeliner
yang dilakukan oleh pelanggan :
Ke merek
Dari merek
Wardah
Maybelline
Oriflame
Sariayu
Wardah
5
0
4
4
Maybelline
3
11
2
3
Oriflame
5
2
1
0
Sariayu
2
3
2
21
L'Oreal
0
7
5
5
Pemakai
sebelumnya
15
23
14
33
4
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
L'Oreal
2
0
0
4
9
15
Pemakai saat ini
15
19
8
32
26
100 / 100
Tabel 5 : Data perpindahan merek (brand switching) tahun 2013 ke 2014.
Dari data diatas terlihat penurunan Oriflame dari 14 ke 8 orang pelanggan
dikarenakan hanya 1 orang bertahan memakai merek ini, sedangkan pertambahan
pelanggan baru hanya 7 orang dibandingkan dengan kehilangan 13 orang. Penurunan
jumlah pelanggan juga terjadi pada merek Maybelline dan Sariayu, pelanggan yang
bertahan memakai merek tersebut juga dikisaran jumlah setengahnya. Pada hasil
perbandingan jumlah pelanggan merek Wardah tetap, akan tetapi dari 10 orang beralih
ke yang lain dan 10 orang mencoba merek Wardah. Peningkatan jumlah pelanggan
terjadi pada merek L’Oreal yang sebelumnya 15 menjadi 26 orang, dengan 9 orang
yang tetap menggunakan produk ini. Dibawah ini adalah tabel probabilitas dari tabel
perpindahan merek:
Dari merek
Wardah
Maybelline
Oriflame
Sariayu
L'Oreal
Wardah
Ke merek
Maybelline Oriflame
0,3333
0,2000
0
0,4783
0,2857
0,1429
0,1212
0,0909
0,1333
0
Tabel 6 : Probabilitas perpindahan
Sariayu
L'Oreal
Total
0,3333
0,1333
0
0,0870
0,1304
0,3043
0,0714
0,1429
0,3571
0
0,6364
0,1515
0
0,2667
0,6000
merek satu ke merek yang lain.
1
1
1
1
1
Berdasarkan tabel 6 diatas, maka dari itu matrix probabilitas transisinya adalah :
0,3333
0
P=
0,2857
0,1212
0,1333
0,2
0,4783
0,1429
0,0909
0
0,3333
0,0870
0,0714
0
0
0,1333
0,1304
0,1429
0,6364
0,2667
0
0,3043
0,3571
0,1515
0,6
Dengan nilai vektor keadaan awal sebagai berikut :
x(0) =
0,15
0,19
0,08
0,32
0,26
* Dari kiri ke kanan untuk Wardah, Maybelline, Oriflame, Sariayu, L’Oreal
Merek Wardah memiliki nilai probabilitas 0,15 yang nilainya diperoleh dari jumlah
pelanggan (15) dibagi dengan jumlah semua responden (100), begitu seterusnya
kesamping sampai merek L’Oreal. Dibawah ini adalah kondisi matrix yang sudah
stasioner dengan kesamaan 4 angka dibelakang koma pada periode ke 14 :
5
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
0,1513
0,1513
P =
14
0,1513
0,1513
0,1513
0,1371
0,1371
0,1371
0,1371
0,1371
furqonmauladani@gmail.com
0,0672
0,0672
0,0672
0,0672
0,0672
0,3482
0,3482
0,3482
0,3482
0,3482
0,2962
0,2962
0,2962
0,2962
0,2962
Gambar 2 dibawah ini adalah survei keseluruhan dari masing-masing pelanggan
yang menggunakan produk eyeliner dalam diagram pie.
Gambar 2 : Diagram pie probabilitas masing-masing merek eyeliner pada kondisi stasioner.
Dibawah ini adalah tabel probailitas pasar tahun kedepan, prediksi tahun kedepan
dihitung dengan persamaan :
n = tahun yang mau diprediksi, berarti pada matrix P dipangkatkan sebanyak n
tahun
Merek
Wardah
Maybelline Oriflame
Sariayu
L'Oreal
2015
14,631 %
16,139 %
7,223 %
32,918 %
29,088 %
2016
14,809 %
14,669 %
6,796 %
33,793 %
29,932 %
2017
14,965 %
14,021 %
6,698 %
34,345 %
29,971 %
2018
15,061 %
13,778 %
6,686 %
34,629 %
29,846 %
2019
15,108 %
13,705 %
6,696 %
34,756 %
29,735 %
2020
15,127 %
13,692 %
6,706 %
34,805 %
29,67 %
2021
15,133 %
13,696 %
6,712 %
34,822 %
29,638 %
2022
15,134 %
13,701 %
6,715 %
34,826 %
29,624 %
2023
15,134 %
13,704 %
6,716 %
34,826 %
29,619 %
2024
15,134 %
13,708 %
6,716 %
34,825 %
29,618 %
2025
15,134 %
13,708 %
6,716 %
34,825 %
29,617 %
2026
15,134 %
13,708 %
6,716 %
34,824 %
29,618 %
2027
15,134 %
13,708 %
6,716 %
34,824 %
29,618 %
2028
15,134 %
13,708 %
6,716 %
34,824 %
29,618 %
Tabel 7 : Prediksi kedepan perpindahan merek produk eyeliner.
Dari hasil analisa tabel diatas menghasilkan kesimpulan bahwa :
6
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
1. Merek yang paling banyak digunakan untuk produk eyeliner adalah Sariayu,
sedangkan yang sedikit digunakan adalah Oriflame.
2. Merek yang mengalami peningkatan pelanggan sedikit demi sedikit dari satu
periode ke periode lainnya adalah Wardah dan Sariayu, meski saat mendekati
kondisi stasioner pada merek Sariayu menjadi berkurang sangat sedikit.
3. L’Oreal dari tahun 2015 sampai kondisi stasioner tahun 2028 mengalami sedikit
peningkatan dari 29,09 % ke 29,62 %, sedangkan Oriflame mengalami
penurunan dari 7,22 % ke 6,71 % dan juga kedua merek tersebut dalam kondisi
yang naik turun ditengah jalan.
4. Maybelline turun drastis pada tahun 2015 ke 2016 dari 16,14 % ke 14,67 %,
nilainya juga menurun sampai ke 13,71 % pada kondisi stasioner.
5. Pada tahun 2022 ke 2028, semua produk memiliki persentase pelanggan yang
tidak terlalu bergejolak lagi yaitu 15,13 % untuk Wardah, 13,7 % untuk
Maybelline, 6,72 % untuk Oriflame, 34,82 % untuk Sariayu dan 29,62 % untuk
L’Oreal.
7
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
3. Time Series
Data untuk analisa time series ini adalah laporan produksi pabrik coklat di
Australia dari bulan September 1957 sampai bulan September 1994 dengan jumlah
data 149 baris. Sumber datanya diambil dari http://www.datamart.com dengan nama
filenya “Quarterly production of chocolate confectionery in Australia: tonnes. Sep 1957 –
Sep 1994”. Waktu datanya perbaris adalah kuartal dalam tahun, variabelnya adalah
ukuran berat dalam satuan ton.
Gambar 3 : Data dari produksi coklat.
Berikut ini gambar Time Series Plot dari laporan produksi coklatnya:
Gambar 4 : Time Series Plot dari data produksi coklat.
8
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
3.1. Analisa Tren
Untuk analisa peramalan, terlebih dahulu data diterapkan metode Trend Analysis
Plot untuk memastikan apakah ada kecendrungan tren pada data. Analisa ini bisa juga
digunakan untuk meramal akan tetapi data harus ada kecendrungan tren, tidak boleh
ada pola musiman dan model yang digunakan memiliki nilai kesalahan/kemelencengan
dengan data yang kecil. Model yang akan digunakan adalah Linier Trend, Quadratic
Trend dan Growth Curve seperti gambar dibawah:
Gambar 5 : Analisa tren dengan model Linier Trend.
Gambar 6 : Analisa tren dengan model Quadratic Trend.
9
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 7 : Analisa tren dengan model Growth Curve.
Pada data ini terdapat tren yang naik, Trend Analysis Plot dengan model
Quadratic Trend juga tepat untuk data ini dikarenakan nilai perhitungan MAPE, MAD
dan MSD lebih kecil dari 2 model yang lain. Akan tetapi Trend Analysis Plot tidak cocok
untuk data musiman, untuk itu perlu dilakukan pengecekan apakah data ini musiman
atau tidak. Caranya adalah menampilkan juga residual plot-nya pada pengujian Trend
Analysis Plot dengan model Quadratic Trend, seperti gambar dibawah ini:
Gambar 8 : Residual plot dengan model Quadratic Trend.
Pada gambar diatas, asumsi keacakan tidak dipenuhi (lihat plot Versus Order
terdapat pola musiman) meskipun sudah diuji bahwa residual berdistribusi normal,
standar deviasi residual lebih kecil dari data sebenarnya dan rata-rata residual
mendekati 0. Dikarenakan data ini memiliki pola musiman, maka tidak bisa
diterapkan metode Trend Analysis Plot. Fakta lain kalau data ini musiman, setiap
produksi coklat pada kuartal ke dua selalu tinggi dibanding kuartal lain pada setiap
tahun.
10
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
3.2. Analisa Pola Musiman
Analisa ini (decomposition) digunakan untuk menganalisa data yang terdapat pola
musiman serta menghasilkan peramalan dengan periode ke depan yang panjang. Analisa
ini memiliki 2 model yaitu Additive dan Multiplicative. Model Additive digunakan untuk
ukuran pola seasonal tidak proporsional dengan data (tidak ada pola melebar atau
mengecil tapi konstan) dan garis lurus dengan menambah bentuk musiman, sedangkan
model Multiplicative ukuran pola musiman proporsional dengan data (terdapat pola melebar
atau mengecil).
Gambar 9 : Perbandingan dekomposisi dengan model Additive (1) dan
model Multiplicative (2).
Dibawah ini gambar hasil dekomposisi dengan dua model dari data produksi coklat:
Gambar 10 : Dekomposisi dengan model Additive.
11
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 11 : Dekomposisi dengan model Multiplicative.
Dilihat dari nilai MAPE, MAD dan MSD, maka metode dekomposisi dengan
model Additive cocok untuk data ini dengan kesimpulan bahwa pola musimannya
tidak berubah besarannya/konstan. Meski cocok akan tetapi masih ada metode lagi
yang bisa memprediksi lebih bagus daripada proses dekomposisi ini seperti yang akan
dibahas.
3.3. Analisa Forecast dengan Moving Average dan
Smoothing
a. Moving Average
Single Moving Average :
Double Moving Average :
Ft+1
Xt
n
: nilai ramalan untuk periode berikutnya
: variabel X pada periode ke t
: jangka waktu Moving Average
12
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 12 : Moving Average dengan MA(4).
Dari hasil diatas terlihat peramalan 8 kuartal kedepan terlihat tidak bisa mengikuti
data time series ini, meskipun Moving Average bisa mengikuti pergerakan data
sebelumnya.
b. Single Exponential Smoothing
Untuk t ≥ n, maka :
Jika data Xt-n tidak tersedia, dapat diganti persamaan itu menjadi :
Ft+1
Ft
Xt
: nilai ramalan untuk periode berikutnya
: nilai pemulusan yang lama atau rata-rata pemulusan hingga periode t - 1
: data baru atau nilai X yg sebenarnya pada periode t
: konstanta pemulusan
13
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 13 : Single Exponential Smoothing.
Dari hasil diatas terlihat peramalan 8 kuartal kedepan terlihat tidak bisa mengikuti
data time series ini, sama seperti Moving Average yang hanya bisa mengikuti
pergerakan data sebelumnya.
c. Double Exponential Smoothing
Persamaan untuk membuat peramalan pada periode m yang akan datang adalah:
S’t = nilai pemulusan eksponensial
S’’t = nilai pemulusan eksponensial ganda
= konstanta pemulusan
at = perbedaan antara nilai-nilai pemulusan eksponensial
bt = faktor penyesuai tambahan = pengukuran slope suatu kurva
Xt = nilai aktual pada periode t
m = jumlah periode ke depan yang akan diramalkan
14
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 14 : Double Exponential Smoothing.
Dari hasil diatas terlihat peramalan 8 kuartal kedepan terlihat lurus dan tidak
menjelaskan dengan jelas bagaimana kedepan, jadi metode ini kurang cocok untuk
diterapkan.
d. Winters’ Method
Pemulusan exponensial
:
Pemulusan tren
:
Pemulusan musiman
:
Persamaan untuk peramalan pada periode m :
St = nilai pemulusan eksponensial
= konstanta pemulusan untuk data (0 < < 1)
y = konstanta pemulusan untuk estimasi trend (0 < < 1)
= konstanta pemulusan untuk estimasi musiman (0 < < 1)
Xt = nilai aktual pada periode t
bt = estimasi trend
lt = estimasi musiman
L = panjangnya musim
m = jumlah periode ke depan yang akan diramalkan
Dikarenakan data ini memiliki tren dan pola musiman, maka metode peramalan
yang tepat untuk data ini adalah Winters’ Method. Sedangkan untuk metode Moving
Averages dan Single Exponential Smoothing sangat cocok untuk data yang stasioner
(tidak ada kecendrungan tren dan pola musiman), lalu Double Exponential Smoothing
hanya cocok untuk data yang memiliki tren saja. Pada Winters’ Method itu sendiri
15
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
memiliki dua metode yaitu Additive dan Multiplicative dengan hasil seperti dua gambar
dibawah ini:
Gambar 15 : Winters’ Method dengan metode Additive.
Gambar 16 : Winters’ Method dengan metode Multiplicative.
Dikarenakan pada Winters’ Method Additive memiliki nilai MAPE, MAD MSD
yang lebih kecil dari Winters’ Method Multiplicative, maka metode peramalan yang
paling tepat untuk data ini adalah Winters’ Method dengan metode Additive pada
gambar 15. Pada gambar 15 diatas juga sudah diterangkan peramalan untuk 4 kuartal
kedepan yang ditandai garis biru.
16
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
3.4. Auto Regressive
Model AR menunjukkan nilai variabel Yt yang akan diprediksi bergantung dari nilai
variabel Yt sebelumnya. Pada data ini, variabel Yt dipengaruhi oleh tahun sebelumnya
pada kuartal yang sama (terlihat jelas kuartal ke-2 di tahun berikutnya dipengaruhi
kuartal ke-2 di tahun sebelumnya dikarenakan sama-sama tinggi dibanding kuartal yang
lain), maka model regresi ini dapat ditulis sebagai berikut :
Yt
Yt -4
= variabel dependen pada periode ke-t
= variabel Y di empat periode sebelumnya
Pertama data pada kolom Jumlah (Yt) dibuatkan variabel baru yang berasal dari
kolom Jumlah yang diberi 4 lag dan disimpan dikolom AR(4) seperti gambar dibawah
ini:
Gambar 17 : Data dari produksi coklat dengan kolom AR(4).
Data pada kolom Jumlah diregresikan dengan kolom AR(4) untuk diketahui
persamaannya, hasilnya seperti gambar dibawah:
17
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 18 : Hasil regresi Jumlah dengan AR(4).
Dari gambar diatas terlihat hasil dari regresi, variabel AR(4) signifikan karena nilai
p_value = 0,000 lebih kecil dari α = 0,5. Hasil persamaan yang didapat untuk
memprediksi adalah :
18
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
4. Reliability/Survival
4.1. Latar Belakang
Kegiatan utama Banquet Department pada Hotel XYZ yang berada di daerah DKI
Jakarta ini adalah penyediaan tempat dan persiapan untuk pelaksanaan acara yang
dipesan oleh tamu. Dari persiapan (tema ruangan, lokasi meja dan kursi, peralatan
tambahan, dll), pelaksanaan (melayani makan, minum dan kebutuhan tamu) sampai
akhir acara (pembersihan ruangan setelah acara), Banquet Department selalu melayani
dan mengorganisir supaya acara tersebut lancar tanpa kendala. Karyawan yang
dibutuhkan melebihi 300 orang dan terdiri dari bagian Audio/Visual, Server, Houseman,
Bartender dan Housekeeping yang masing-masing bagian memilki banyak daily worker
(pekerja harian) untuk menjalankan bisnisnya. Perbedaan daily worker dengan
karyawan adalah gaji daily worker dibayar perjam sesuai waktu kerjanya dibandingkan
karyawan digaji perbulan. Jadi kalau daily worker tidak bekerja atau libur beberapa hari
maka tidak akan digaji.
4.2. Permasalahan
Pekerjaan di Banquet tidak bisa dibilang mudah dan membutuhkan banyak sekali
daily worker. Masalah yang dihadapi Banquet adalah dalam masa kerja kurang dari 6
bulan, banyak sekali daily worker yang mengundurkan diri dari pekerjaan dengan
bermacam alasan. Alasan utama yang sering terdengar adalah merasa berat dengan
pekerjaannya, gajinya tidak cukup, ingin mencari yang lebih layak, dll.
4.3. Tujuan dan Manfaat
Penelitian ini bertujuan untuk mendeskripsikan karakteristik daily worker
berdasarkan beberapa variabel yang teridentifikasi, dan mendapatkan variabel yang
mempengaruhi niat daily worker untuk berhenti dari pekerjaan.
Manfaat dari penelitian ini bagi tim manajemen adalah mempermudah dalam
pengambilan keputusan untuk membuat daily worker merasa nyaman dan betah
berdasarkan variabel yang berpengaruh (karena proses perekrutan pekerja butuh waktu
dan biaya, serta pekerja yang masih baru biasanya performanya masih belum bagus).
Selain itu bisa juga membuat karakteristik pekerja yang cocok dan ideal dalam
pekerjaan di Banquet sehingga membantu manajemen untuk mencari karyawan baru
yang sesuai karakteristik tersebut.
19
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
4.4. Analisis Survival
Analisis survival adalah prosedur statistik untuk menganalisis data yang
variabelnya adalah waktu sampai terjadinya suatu kejadian. Untuk menentukan waktu
survival, terdapat tiga elemen yang perlu diperhatikan yaitu :
1. Time origin (titik awal)
Waktu dimulainya suatu penelitian. Titik awal pada penelitian ini adalah tanggal
daily worker mulai bekerja di Banquet Department.
2. Ending event of interest (kejadian akhir)
Waktu kejadian yang menjadi inti dari penelitian. Titik akhir yang dimaksud pada
penelitian ini adalah tanggal dimana daily worker mengundurkan diri.
3. Measurement scale for the passage of time (skala ukuran berlalunya waktu).
Dalam penelitian ini skala ukuran yang digunakan adalah lama daily worker
bekerja di Banquet Department dalam satuan hari.
Untuk permasalahan ini, sewaktu terjadinya kejadian akhir maka obyek penelitian
akan selesai diteliti (daily worker tidak bisa direcovery ketika mengundurkan diri) yang
artinya keputusan daily worker tersebut tidak boleh dihalangi siapapun menurut
peraturan ditempat. Berikut ini adalah faktor yang akan diamati dan mungkin signifikan
terhadap keinginan karyawan untuk mengundurkan diri:
X1
: Jenis kelamin (1 untuk pria, 0 untuk wanita)
X2
: Umur (tahun)
X3
: Ijazah (SMK Pariwisata, SMA Biasa, D3, S1)
X4
: Lama kerja di Banquet sebelumnya (bulan, jika 0 berarti belum pernah)
X5
: Sedang kuliah (1 untuk ya, 0 untuk tidak)
X6
: Jumlah tanggungan
X7
: Bagian pekerjaan (Audio/Visual, Server, Houseman, Bartender
Housekeeping)
X8
: Total hari kerja (hari)
X9
: Total hari kerja lebih dari 10 jam (hari)
X10 : Total jam lembur kerja (jam)
X11 : Total hari libur (hari)
X12 : Jumlah shift pagi jam 7 (hari)
X13 : Jumlah shift sore jam 3 (hari)
X14 : Jumlah shift malam jam 11 (hari)
X15 : Naik kendaraan (mobil, motor, angkutan umum)
X16 : Kelurahan
X17 : Waktu perjalanan berangkat kerja (perkiraan dalam menit)
X18 : Waktu perjalanan pulang kerja (perkiraan dalam menit)
dan
20
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Alasan pemilihan variabel X diatas berdasarkan observasi atas asumsi yang
mungkin bisa mempengaruhi niat mengundurkan diri seperti dibawah ini:
Pekerjaan Banquet memerlukan tenaga, keuletan dan aktif bergerak (terutama
Server, Houseman dan Audio/VIsual). Bahkan kalau acara yang diadakan banyak,
lembur sering melebihi 10 jam (pernah terjadi 16 jam) dan membuat lelah serta
bosan para pekerja X9. Meski perempuan diberi keringanan dalam bekerja
(lembur tidak banyak, pulang tidak terlalu malam, tidak mengangkat barang berat),
tidak sedikit yang mengundurkan diri setelah beberapa bulan X1.
Umur X2 dan kesibukan kuliah X5 bisa juga mempengaruhi kesiapan, kondisi fisik
dan juga mental untuk bekerja, apalagi yang memiliki tanggungan X6 pasti lebih
ulet dalam mencari nafkah.
Ijazah X3 bisa saja mempengaruhi pikiran seseorang (misalnya “susah mencari
kerja dengan ijazah SMA” atau “ada ijazah S1 buat apa kerja disini?”).
Dikarenakan pekerjaan di Banquet tidak bisa dibilang ringan, jika pernah bekerja
di Banquet sebelumnya X4 atau ijazah SMK Pariwisata, mungkin tidak akan kaget
dan kaku ketika bekerja karena telah berpengalaman.
Pada setiap bagian pekerjaan di Banquet X7, memiliki tanggung jawab dan tugas
yang berbeda. Bisa saja ada yang cocok/betah pada bagian Server tapi tidak
cocok/betah pada bagian yg lain.
Daily worker dibayar kalau bekerja, buruknya ketika tidak ada acara yang dipesan
tamu dalam beberapa hari yang membuat pekerja menganggur X8, X10, X11. Jadi
perlu membandingkan proporsi nilai total hari kerja dengan total hari libur.
Setiap beberapa minggu, shift masing-masing pegawai dirubah. Setiap shift bisa
memiliki kendala bagi sebagian orang baik dari kondisi badan maupun kesiapan
waktu X12, X13. X14.
Untuk lokasi serta waktu perjalanan antara rumah daily worker juga diperhitungkan
X16, X17, X18, dikarenakan bisa saja perjalanan yang jauh atau karena macet
membuat pekerja menjadi jenuh. Dengan menggunakan kendaraan pribadi X15
seperti motor bisa lebih cepat sampai dan tidak mudah terjebak macet di jalanan
Jakarta dibanding mobil.
Yang mempengaruhi panjang atau pendeknya waktu daily worker untuk
mengundurkan diri, bisa disimpulkan menjadi :
Beban kerja yang lumayan berat berdasarkan uraian diatas serta banyak waktu
lemburnya (beberapa orang suka banyak lembur terutama yang berkeluarga). Ini
memberikan efek panjangnya waktu karena daily worker mendapatkan banyak
pendapatan, tetapi bisa juga berefek memperpendek waktu karena daily worker
merasa berat dan jenuh akan pekerjaan.
21
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Jumlah libur yang banyak kadang terjadi pada saat tidak terduga sehingga
mempengaruhi keuangan pekerja. Ini memberikan efek panjangnya waktu jika
memang pekerja hanya ingin menambah uang saku karena sedang kuliah,
masih dalam tanggungan orang tua, dll. Tapi bisa juga berefek memperpendek
waktu karena daily worker yang mempunyai tanggungan hanya mendapatkan
sedikit uang.
22
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
furqonmauladani@gmail.com
DAFTAR ISI
3
1. Structural Equation Modeling (SEM)......................
2. Markov Chain.........................................................
5
3. Time Series............................................................. 9
3.1.
Analisa Tren................................................. 10
3.2.
Analisa Pola Musiman................................. 12
3.3.
Analisa Forecast dengan Moving Average dan
Smoothing................................................... 13
3.4.
Auto Regressive........................................... 18
4. Reliability/Survival.................................................
20
1
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
1. Structural Equation Modeling (SEM)
Rima Rajut adalah sebuah perusahaan UKM yang melakukan produksi dan
penjualan hasil rajutan kerudung dan tas. Rima Rajut yang beralamatkan di Jl.Kutisari 4
No.22 Kel.Kutisari Kec.Tenggilis Mejoyo Kota.Surabaya ini, selain menjual barang tadi
juga menjual aneka aksesoris, benang, alat rajut dan juga barang-barang yang
berhubungan dengan rajutan untuk membantu pelanggan yang ingin merajut sendiri.
Strategi penjualan produk Rima Rajut selain melalui toko langsung bisa juga
melalui website/online. Pelanggannya pun sudah banyak baik dari kota Surabaya
maupun luar kota, dan kebanyakan memesan melalui online. Rima Rajut juga
menyediakan kursus bagi siapapun yang ingin merajut sendiri serta terdapat buku
panduan merajut yang dibuat oleh pemilik Rima Rajut.
Pada pembuatan model SEM kali ini, bertujuan untuk mengetahui pengaruh
kualitas layanan penjualan produk Rima Rajut terhadap kepuasan pelanggan dan juga
loyalitasnya. Kualitas layanan digunakan sebagai ukuran kepuasan dan loyalitas
pelanggan, kepuasan pelanggan itu sendiri juga digunakan sebagai ukuran loyalitas
pelanggan. Pertanyaan lebih fokuskan kepada responden pelanggan yang pernah
melakukan pemesanan online dikarenakan media penjualan ini menjadi prioritas bagi
Rima Rajut dan jumlah transaksi pelanggannya lebih banyak.
Gambar 1 : Model SEM Rima Rajut.
2
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
KELOMPOK
furqonmauladani@gmail.com
VARIABEL
PERTANYAAN
Kondisi paket pengiriman produk rapih
Produk menarik dan tidak ketinggalan jaman
Tangible (yang
X1
Produk berkualitas bagus
terlihat)
Website Rima Rajut interaktif dan tidak
membingungkan
Terpenuhinya setiap pemesanan yang dilakukan
Reliability
Produk yang dipesan selalu tersedia di stok
X2
(keandalan)
Ketersediaan informasi lengkap tentang produk pada
media online
Karyawan melayani secara ramah dan sopan setiap
pemesanan maupun keluhan
Responsiveness
Pelayanan pengiriman cepat dan tanggap sewaktu ada
X3
(ketanggapan)
pesanan
Kesigapan Rima Rajut dalam menangani masalah
kesalahan pengiriman maupun produk yang cacat
Produk yang dijual tidak cacat dan sesuai dengan yang
dipesan
Assurance
Barang bisa ditukarkan jika terjadi cacat atau tidak
X4
(jaminan)
sesuai yang dipesan
Proses penukaran barang tidak berbelit dan
ditanggung Rima Rajut
Siap dihubungi dari jam 6 pagi sampai jam 10 malam
Kemudahan untuk menghubungi Rima Rajut
Emphaty
X5
(Facebook, Twitter, BBM, Whats App, SMS & telpon)
(perhatian)
Rima Rajut bisa dimintai saran dan ilmu tentang
produk rajutan dan cara merajut
Tabel 1 : Keterangan variabel X yang di observasi pada laten Kualitas.
VARIABEL
PERTANYAAN
Y1
Kesan pelanggan terhadap pelayanan dan produk Rima Rajut
Y2
Kualitas produk sesuai harapan dan harga yang dibayar
Y3
Kualitas produk konsisten sepanjang waktu
Y4
Sering memesan produk di Rima Rajut
Tabel 2 : Keterangan variabel Y yang di observasi pada laten Kepuasan.
VARIABEL
Y5
Y6
Y7
Y8
PERTANYAAN
Saya tidak gengsi memakai produk Rima Rajut di acara resmi atau
biasa
Rima Rajut sebagai pilihan bran utama saya untuk kerudung dan tas
Saya bersedia memesan dan membeli produk Rima Rajut lagi
Saya ingin merekomendasikan produk Rima Rajut kepada orang lain
Tabel 3 : Keterangan variabel Y yang di observasi pada laten Loyalitas.
3
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
2. Markov Chain
Eyeliner merupakan alat kosmetik yang banyak disukai oleh wanita karena dengan
eyeliner yang bagus dan cara memakai yang baik akan membuat penampilan cantik
sempurna. Dengan sedikit melakukan sentuhan eyeliner pada daerah kelopak mata,
mata yang tampak lelah akan lebih segar sehingga membuat mata wanita lebih cantik
mempesona. Banyak sekali merek produk eyeliner dipasaran yang memiliki macammacam keunggulan dan tampilan hasil yang menarik sehingga terkadang membuat
wanita tertarik berpindah-pindah menggunakan merek satu ke merek yang lainnya
untuk mencari produk yang paling cocok.
Maka dari itu, studi kasus ini membahas tentang analisis peluang perpindahan
merek kosmetik eyeliner dengan metode markov chain. Data yang digunakan adalah
hasil kuisioner acak dari 100 perempuan di kecamatan Tenggilis Mejoyo yang biasa
menggunakan produk eyeliner (data yang diambil tidak benar, hanya sebagai
contoh). Data yang diambil adalah penggunaan merek eyeliner pada tahun 2013 dan
2014. Merek untuk produk eyeliner yang akan diamati seperti Wardah, Maybelline,
Oriflame, Sariayu, L’Oreal.
Jumlah
Persentasi
Pelanggan
15
15 %
1
Wardah
19
19 %
2
Maybelline
8
8%
3
Oriflame
32
32
%
4
Sariayu
26
26 %
5
L'Oreal
100
100 %
Total
Tabel 4 : Jumlah pelanggan masing-masing merek pada tahun 2014.
No.
Merek
Dari data diatas menunjukkan jumlah pelanggan pada periode saat ini. Merek
Sariayu menempati peringkat pertama dengan jumlah 32 pelanggan dari 100
responden, yang artinya 32% proporsinya. Sedangkan merek Oriflame menempati
urutan terbawah dengan persentasi 8%. Berikut ini tabel perpindahan merek eyeliner
yang dilakukan oleh pelanggan :
Ke merek
Dari merek
Wardah
Maybelline
Oriflame
Sariayu
Wardah
5
0
4
4
Maybelline
3
11
2
3
Oriflame
5
2
1
0
Sariayu
2
3
2
21
L'Oreal
0
7
5
5
Pemakai
sebelumnya
15
23
14
33
4
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
L'Oreal
2
0
0
4
9
15
Pemakai saat ini
15
19
8
32
26
100 / 100
Tabel 5 : Data perpindahan merek (brand switching) tahun 2013 ke 2014.
Dari data diatas terlihat penurunan Oriflame dari 14 ke 8 orang pelanggan
dikarenakan hanya 1 orang bertahan memakai merek ini, sedangkan pertambahan
pelanggan baru hanya 7 orang dibandingkan dengan kehilangan 13 orang. Penurunan
jumlah pelanggan juga terjadi pada merek Maybelline dan Sariayu, pelanggan yang
bertahan memakai merek tersebut juga dikisaran jumlah setengahnya. Pada hasil
perbandingan jumlah pelanggan merek Wardah tetap, akan tetapi dari 10 orang beralih
ke yang lain dan 10 orang mencoba merek Wardah. Peningkatan jumlah pelanggan
terjadi pada merek L’Oreal yang sebelumnya 15 menjadi 26 orang, dengan 9 orang
yang tetap menggunakan produk ini. Dibawah ini adalah tabel probabilitas dari tabel
perpindahan merek:
Dari merek
Wardah
Maybelline
Oriflame
Sariayu
L'Oreal
Wardah
Ke merek
Maybelline Oriflame
0,3333
0,2000
0
0,4783
0,2857
0,1429
0,1212
0,0909
0,1333
0
Tabel 6 : Probabilitas perpindahan
Sariayu
L'Oreal
Total
0,3333
0,1333
0
0,0870
0,1304
0,3043
0,0714
0,1429
0,3571
0
0,6364
0,1515
0
0,2667
0,6000
merek satu ke merek yang lain.
1
1
1
1
1
Berdasarkan tabel 6 diatas, maka dari itu matrix probabilitas transisinya adalah :
0,3333
0
P=
0,2857
0,1212
0,1333
0,2
0,4783
0,1429
0,0909
0
0,3333
0,0870
0,0714
0
0
0,1333
0,1304
0,1429
0,6364
0,2667
0
0,3043
0,3571
0,1515
0,6
Dengan nilai vektor keadaan awal sebagai berikut :
x(0) =
0,15
0,19
0,08
0,32
0,26
* Dari kiri ke kanan untuk Wardah, Maybelline, Oriflame, Sariayu, L’Oreal
Merek Wardah memiliki nilai probabilitas 0,15 yang nilainya diperoleh dari jumlah
pelanggan (15) dibagi dengan jumlah semua responden (100), begitu seterusnya
kesamping sampai merek L’Oreal. Dibawah ini adalah kondisi matrix yang sudah
stasioner dengan kesamaan 4 angka dibelakang koma pada periode ke 14 :
5
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
0,1513
0,1513
P =
14
0,1513
0,1513
0,1513
0,1371
0,1371
0,1371
0,1371
0,1371
furqonmauladani@gmail.com
0,0672
0,0672
0,0672
0,0672
0,0672
0,3482
0,3482
0,3482
0,3482
0,3482
0,2962
0,2962
0,2962
0,2962
0,2962
Gambar 2 dibawah ini adalah survei keseluruhan dari masing-masing pelanggan
yang menggunakan produk eyeliner dalam diagram pie.
Gambar 2 : Diagram pie probabilitas masing-masing merek eyeliner pada kondisi stasioner.
Dibawah ini adalah tabel probailitas pasar tahun kedepan, prediksi tahun kedepan
dihitung dengan persamaan :
n = tahun yang mau diprediksi, berarti pada matrix P dipangkatkan sebanyak n
tahun
Merek
Wardah
Maybelline Oriflame
Sariayu
L'Oreal
2015
14,631 %
16,139 %
7,223 %
32,918 %
29,088 %
2016
14,809 %
14,669 %
6,796 %
33,793 %
29,932 %
2017
14,965 %
14,021 %
6,698 %
34,345 %
29,971 %
2018
15,061 %
13,778 %
6,686 %
34,629 %
29,846 %
2019
15,108 %
13,705 %
6,696 %
34,756 %
29,735 %
2020
15,127 %
13,692 %
6,706 %
34,805 %
29,67 %
2021
15,133 %
13,696 %
6,712 %
34,822 %
29,638 %
2022
15,134 %
13,701 %
6,715 %
34,826 %
29,624 %
2023
15,134 %
13,704 %
6,716 %
34,826 %
29,619 %
2024
15,134 %
13,708 %
6,716 %
34,825 %
29,618 %
2025
15,134 %
13,708 %
6,716 %
34,825 %
29,617 %
2026
15,134 %
13,708 %
6,716 %
34,824 %
29,618 %
2027
15,134 %
13,708 %
6,716 %
34,824 %
29,618 %
2028
15,134 %
13,708 %
6,716 %
34,824 %
29,618 %
Tabel 7 : Prediksi kedepan perpindahan merek produk eyeliner.
Dari hasil analisa tabel diatas menghasilkan kesimpulan bahwa :
6
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
1. Merek yang paling banyak digunakan untuk produk eyeliner adalah Sariayu,
sedangkan yang sedikit digunakan adalah Oriflame.
2. Merek yang mengalami peningkatan pelanggan sedikit demi sedikit dari satu
periode ke periode lainnya adalah Wardah dan Sariayu, meski saat mendekati
kondisi stasioner pada merek Sariayu menjadi berkurang sangat sedikit.
3. L’Oreal dari tahun 2015 sampai kondisi stasioner tahun 2028 mengalami sedikit
peningkatan dari 29,09 % ke 29,62 %, sedangkan Oriflame mengalami
penurunan dari 7,22 % ke 6,71 % dan juga kedua merek tersebut dalam kondisi
yang naik turun ditengah jalan.
4. Maybelline turun drastis pada tahun 2015 ke 2016 dari 16,14 % ke 14,67 %,
nilainya juga menurun sampai ke 13,71 % pada kondisi stasioner.
5. Pada tahun 2022 ke 2028, semua produk memiliki persentase pelanggan yang
tidak terlalu bergejolak lagi yaitu 15,13 % untuk Wardah, 13,7 % untuk
Maybelline, 6,72 % untuk Oriflame, 34,82 % untuk Sariayu dan 29,62 % untuk
L’Oreal.
7
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
3. Time Series
Data untuk analisa time series ini adalah laporan produksi pabrik coklat di
Australia dari bulan September 1957 sampai bulan September 1994 dengan jumlah
data 149 baris. Sumber datanya diambil dari http://www.datamart.com dengan nama
filenya “Quarterly production of chocolate confectionery in Australia: tonnes. Sep 1957 –
Sep 1994”. Waktu datanya perbaris adalah kuartal dalam tahun, variabelnya adalah
ukuran berat dalam satuan ton.
Gambar 3 : Data dari produksi coklat.
Berikut ini gambar Time Series Plot dari laporan produksi coklatnya:
Gambar 4 : Time Series Plot dari data produksi coklat.
8
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
3.1. Analisa Tren
Untuk analisa peramalan, terlebih dahulu data diterapkan metode Trend Analysis
Plot untuk memastikan apakah ada kecendrungan tren pada data. Analisa ini bisa juga
digunakan untuk meramal akan tetapi data harus ada kecendrungan tren, tidak boleh
ada pola musiman dan model yang digunakan memiliki nilai kesalahan/kemelencengan
dengan data yang kecil. Model yang akan digunakan adalah Linier Trend, Quadratic
Trend dan Growth Curve seperti gambar dibawah:
Gambar 5 : Analisa tren dengan model Linier Trend.
Gambar 6 : Analisa tren dengan model Quadratic Trend.
9
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 7 : Analisa tren dengan model Growth Curve.
Pada data ini terdapat tren yang naik, Trend Analysis Plot dengan model
Quadratic Trend juga tepat untuk data ini dikarenakan nilai perhitungan MAPE, MAD
dan MSD lebih kecil dari 2 model yang lain. Akan tetapi Trend Analysis Plot tidak cocok
untuk data musiman, untuk itu perlu dilakukan pengecekan apakah data ini musiman
atau tidak. Caranya adalah menampilkan juga residual plot-nya pada pengujian Trend
Analysis Plot dengan model Quadratic Trend, seperti gambar dibawah ini:
Gambar 8 : Residual plot dengan model Quadratic Trend.
Pada gambar diatas, asumsi keacakan tidak dipenuhi (lihat plot Versus Order
terdapat pola musiman) meskipun sudah diuji bahwa residual berdistribusi normal,
standar deviasi residual lebih kecil dari data sebenarnya dan rata-rata residual
mendekati 0. Dikarenakan data ini memiliki pola musiman, maka tidak bisa
diterapkan metode Trend Analysis Plot. Fakta lain kalau data ini musiman, setiap
produksi coklat pada kuartal ke dua selalu tinggi dibanding kuartal lain pada setiap
tahun.
10
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
3.2. Analisa Pola Musiman
Analisa ini (decomposition) digunakan untuk menganalisa data yang terdapat pola
musiman serta menghasilkan peramalan dengan periode ke depan yang panjang. Analisa
ini memiliki 2 model yaitu Additive dan Multiplicative. Model Additive digunakan untuk
ukuran pola seasonal tidak proporsional dengan data (tidak ada pola melebar atau
mengecil tapi konstan) dan garis lurus dengan menambah bentuk musiman, sedangkan
model Multiplicative ukuran pola musiman proporsional dengan data (terdapat pola melebar
atau mengecil).
Gambar 9 : Perbandingan dekomposisi dengan model Additive (1) dan
model Multiplicative (2).
Dibawah ini gambar hasil dekomposisi dengan dua model dari data produksi coklat:
Gambar 10 : Dekomposisi dengan model Additive.
11
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 11 : Dekomposisi dengan model Multiplicative.
Dilihat dari nilai MAPE, MAD dan MSD, maka metode dekomposisi dengan
model Additive cocok untuk data ini dengan kesimpulan bahwa pola musimannya
tidak berubah besarannya/konstan. Meski cocok akan tetapi masih ada metode lagi
yang bisa memprediksi lebih bagus daripada proses dekomposisi ini seperti yang akan
dibahas.
3.3. Analisa Forecast dengan Moving Average dan
Smoothing
a. Moving Average
Single Moving Average :
Double Moving Average :
Ft+1
Xt
n
: nilai ramalan untuk periode berikutnya
: variabel X pada periode ke t
: jangka waktu Moving Average
12
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 12 : Moving Average dengan MA(4).
Dari hasil diatas terlihat peramalan 8 kuartal kedepan terlihat tidak bisa mengikuti
data time series ini, meskipun Moving Average bisa mengikuti pergerakan data
sebelumnya.
b. Single Exponential Smoothing
Untuk t ≥ n, maka :
Jika data Xt-n tidak tersedia, dapat diganti persamaan itu menjadi :
Ft+1
Ft
Xt
: nilai ramalan untuk periode berikutnya
: nilai pemulusan yang lama atau rata-rata pemulusan hingga periode t - 1
: data baru atau nilai X yg sebenarnya pada periode t
: konstanta pemulusan
13
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 13 : Single Exponential Smoothing.
Dari hasil diatas terlihat peramalan 8 kuartal kedepan terlihat tidak bisa mengikuti
data time series ini, sama seperti Moving Average yang hanya bisa mengikuti
pergerakan data sebelumnya.
c. Double Exponential Smoothing
Persamaan untuk membuat peramalan pada periode m yang akan datang adalah:
S’t = nilai pemulusan eksponensial
S’’t = nilai pemulusan eksponensial ganda
= konstanta pemulusan
at = perbedaan antara nilai-nilai pemulusan eksponensial
bt = faktor penyesuai tambahan = pengukuran slope suatu kurva
Xt = nilai aktual pada periode t
m = jumlah periode ke depan yang akan diramalkan
14
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 14 : Double Exponential Smoothing.
Dari hasil diatas terlihat peramalan 8 kuartal kedepan terlihat lurus dan tidak
menjelaskan dengan jelas bagaimana kedepan, jadi metode ini kurang cocok untuk
diterapkan.
d. Winters’ Method
Pemulusan exponensial
:
Pemulusan tren
:
Pemulusan musiman
:
Persamaan untuk peramalan pada periode m :
St = nilai pemulusan eksponensial
= konstanta pemulusan untuk data (0 < < 1)
y = konstanta pemulusan untuk estimasi trend (0 < < 1)
= konstanta pemulusan untuk estimasi musiman (0 < < 1)
Xt = nilai aktual pada periode t
bt = estimasi trend
lt = estimasi musiman
L = panjangnya musim
m = jumlah periode ke depan yang akan diramalkan
Dikarenakan data ini memiliki tren dan pola musiman, maka metode peramalan
yang tepat untuk data ini adalah Winters’ Method. Sedangkan untuk metode Moving
Averages dan Single Exponential Smoothing sangat cocok untuk data yang stasioner
(tidak ada kecendrungan tren dan pola musiman), lalu Double Exponential Smoothing
hanya cocok untuk data yang memiliki tren saja. Pada Winters’ Method itu sendiri
15
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
memiliki dua metode yaitu Additive dan Multiplicative dengan hasil seperti dua gambar
dibawah ini:
Gambar 15 : Winters’ Method dengan metode Additive.
Gambar 16 : Winters’ Method dengan metode Multiplicative.
Dikarenakan pada Winters’ Method Additive memiliki nilai MAPE, MAD MSD
yang lebih kecil dari Winters’ Method Multiplicative, maka metode peramalan yang
paling tepat untuk data ini adalah Winters’ Method dengan metode Additive pada
gambar 15. Pada gambar 15 diatas juga sudah diterangkan peramalan untuk 4 kuartal
kedepan yang ditandai garis biru.
16
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
3.4. Auto Regressive
Model AR menunjukkan nilai variabel Yt yang akan diprediksi bergantung dari nilai
variabel Yt sebelumnya. Pada data ini, variabel Yt dipengaruhi oleh tahun sebelumnya
pada kuartal yang sama (terlihat jelas kuartal ke-2 di tahun berikutnya dipengaruhi
kuartal ke-2 di tahun sebelumnya dikarenakan sama-sama tinggi dibanding kuartal yang
lain), maka model regresi ini dapat ditulis sebagai berikut :
Yt
Yt -4
= variabel dependen pada periode ke-t
= variabel Y di empat periode sebelumnya
Pertama data pada kolom Jumlah (Yt) dibuatkan variabel baru yang berasal dari
kolom Jumlah yang diberi 4 lag dan disimpan dikolom AR(4) seperti gambar dibawah
ini:
Gambar 17 : Data dari produksi coklat dengan kolom AR(4).
Data pada kolom Jumlah diregresikan dengan kolom AR(4) untuk diketahui
persamaannya, hasilnya seperti gambar dibawah:
17
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Gambar 18 : Hasil regresi Jumlah dengan AR(4).
Dari gambar diatas terlihat hasil dari regresi, variabel AR(4) signifikan karena nilai
p_value = 0,000 lebih kecil dari α = 0,5. Hasil persamaan yang didapat untuk
memprediksi adalah :
18
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
4. Reliability/Survival
4.1. Latar Belakang
Kegiatan utama Banquet Department pada Hotel XYZ yang berada di daerah DKI
Jakarta ini adalah penyediaan tempat dan persiapan untuk pelaksanaan acara yang
dipesan oleh tamu. Dari persiapan (tema ruangan, lokasi meja dan kursi, peralatan
tambahan, dll), pelaksanaan (melayani makan, minum dan kebutuhan tamu) sampai
akhir acara (pembersihan ruangan setelah acara), Banquet Department selalu melayani
dan mengorganisir supaya acara tersebut lancar tanpa kendala. Karyawan yang
dibutuhkan melebihi 300 orang dan terdiri dari bagian Audio/Visual, Server, Houseman,
Bartender dan Housekeeping yang masing-masing bagian memilki banyak daily worker
(pekerja harian) untuk menjalankan bisnisnya. Perbedaan daily worker dengan
karyawan adalah gaji daily worker dibayar perjam sesuai waktu kerjanya dibandingkan
karyawan digaji perbulan. Jadi kalau daily worker tidak bekerja atau libur beberapa hari
maka tidak akan digaji.
4.2. Permasalahan
Pekerjaan di Banquet tidak bisa dibilang mudah dan membutuhkan banyak sekali
daily worker. Masalah yang dihadapi Banquet adalah dalam masa kerja kurang dari 6
bulan, banyak sekali daily worker yang mengundurkan diri dari pekerjaan dengan
bermacam alasan. Alasan utama yang sering terdengar adalah merasa berat dengan
pekerjaannya, gajinya tidak cukup, ingin mencari yang lebih layak, dll.
4.3. Tujuan dan Manfaat
Penelitian ini bertujuan untuk mendeskripsikan karakteristik daily worker
berdasarkan beberapa variabel yang teridentifikasi, dan mendapatkan variabel yang
mempengaruhi niat daily worker untuk berhenti dari pekerjaan.
Manfaat dari penelitian ini bagi tim manajemen adalah mempermudah dalam
pengambilan keputusan untuk membuat daily worker merasa nyaman dan betah
berdasarkan variabel yang berpengaruh (karena proses perekrutan pekerja butuh waktu
dan biaya, serta pekerja yang masih baru biasanya performanya masih belum bagus).
Selain itu bisa juga membuat karakteristik pekerja yang cocok dan ideal dalam
pekerjaan di Banquet sehingga membantu manajemen untuk mencari karyawan baru
yang sesuai karakteristik tersebut.
19
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
4.4. Analisis Survival
Analisis survival adalah prosedur statistik untuk menganalisis data yang
variabelnya adalah waktu sampai terjadinya suatu kejadian. Untuk menentukan waktu
survival, terdapat tiga elemen yang perlu diperhatikan yaitu :
1. Time origin (titik awal)
Waktu dimulainya suatu penelitian. Titik awal pada penelitian ini adalah tanggal
daily worker mulai bekerja di Banquet Department.
2. Ending event of interest (kejadian akhir)
Waktu kejadian yang menjadi inti dari penelitian. Titik akhir yang dimaksud pada
penelitian ini adalah tanggal dimana daily worker mengundurkan diri.
3. Measurement scale for the passage of time (skala ukuran berlalunya waktu).
Dalam penelitian ini skala ukuran yang digunakan adalah lama daily worker
bekerja di Banquet Department dalam satuan hari.
Untuk permasalahan ini, sewaktu terjadinya kejadian akhir maka obyek penelitian
akan selesai diteliti (daily worker tidak bisa direcovery ketika mengundurkan diri) yang
artinya keputusan daily worker tersebut tidak boleh dihalangi siapapun menurut
peraturan ditempat. Berikut ini adalah faktor yang akan diamati dan mungkin signifikan
terhadap keinginan karyawan untuk mengundurkan diri:
X1
: Jenis kelamin (1 untuk pria, 0 untuk wanita)
X2
: Umur (tahun)
X3
: Ijazah (SMK Pariwisata, SMA Biasa, D3, S1)
X4
: Lama kerja di Banquet sebelumnya (bulan, jika 0 berarti belum pernah)
X5
: Sedang kuliah (1 untuk ya, 0 untuk tidak)
X6
: Jumlah tanggungan
X7
: Bagian pekerjaan (Audio/Visual, Server, Houseman, Bartender
Housekeeping)
X8
: Total hari kerja (hari)
X9
: Total hari kerja lebih dari 10 jam (hari)
X10 : Total jam lembur kerja (jam)
X11 : Total hari libur (hari)
X12 : Jumlah shift pagi jam 7 (hari)
X13 : Jumlah shift sore jam 3 (hari)
X14 : Jumlah shift malam jam 11 (hari)
X15 : Naik kendaraan (mobil, motor, angkutan umum)
X16 : Kelurahan
X17 : Waktu perjalanan berangkat kerja (perkiraan dalam menit)
X18 : Waktu perjalanan pulang kerja (perkiraan dalam menit)
dan
20
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Alasan pemilihan variabel X diatas berdasarkan observasi atas asumsi yang
mungkin bisa mempengaruhi niat mengundurkan diri seperti dibawah ini:
Pekerjaan Banquet memerlukan tenaga, keuletan dan aktif bergerak (terutama
Server, Houseman dan Audio/VIsual). Bahkan kalau acara yang diadakan banyak,
lembur sering melebihi 10 jam (pernah terjadi 16 jam) dan membuat lelah serta
bosan para pekerja X9. Meski perempuan diberi keringanan dalam bekerja
(lembur tidak banyak, pulang tidak terlalu malam, tidak mengangkat barang berat),
tidak sedikit yang mengundurkan diri setelah beberapa bulan X1.
Umur X2 dan kesibukan kuliah X5 bisa juga mempengaruhi kesiapan, kondisi fisik
dan juga mental untuk bekerja, apalagi yang memiliki tanggungan X6 pasti lebih
ulet dalam mencari nafkah.
Ijazah X3 bisa saja mempengaruhi pikiran seseorang (misalnya “susah mencari
kerja dengan ijazah SMA” atau “ada ijazah S1 buat apa kerja disini?”).
Dikarenakan pekerjaan di Banquet tidak bisa dibilang ringan, jika pernah bekerja
di Banquet sebelumnya X4 atau ijazah SMK Pariwisata, mungkin tidak akan kaget
dan kaku ketika bekerja karena telah berpengalaman.
Pada setiap bagian pekerjaan di Banquet X7, memiliki tanggung jawab dan tugas
yang berbeda. Bisa saja ada yang cocok/betah pada bagian Server tapi tidak
cocok/betah pada bagian yg lain.
Daily worker dibayar kalau bekerja, buruknya ketika tidak ada acara yang dipesan
tamu dalam beberapa hari yang membuat pekerja menganggur X8, X10, X11. Jadi
perlu membandingkan proporsi nilai total hari kerja dengan total hari libur.
Setiap beberapa minggu, shift masing-masing pegawai dirubah. Setiap shift bisa
memiliki kendala bagi sebagian orang baik dari kondisi badan maupun kesiapan
waktu X12, X13. X14.
Untuk lokasi serta waktu perjalanan antara rumah daily worker juga diperhitungkan
X16, X17, X18, dikarenakan bisa saja perjalanan yang jauh atau karena macet
membuat pekerja menjadi jenuh. Dengan menggunakan kendaraan pribadi X15
seperti motor bisa lebih cepat sampai dan tidak mudah terjebak macet di jalanan
Jakarta dibanding mobil.
Yang mempengaruhi panjang atau pendeknya waktu daily worker untuk
mengundurkan diri, bisa disimpulkan menjadi :
Beban kerja yang lumayan berat berdasarkan uraian diatas serta banyak waktu
lemburnya (beberapa orang suka banyak lembur terutama yang berkeluarga). Ini
memberikan efek panjangnya waktu karena daily worker mendapatkan banyak
pendapatan, tetapi bisa juga berefek memperpendek waktu karena daily worker
merasa berat dan jenuh akan pekerjaan.
21
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14
Furqon Mauladani 9114205324
furqonmauladani@gmail.com
Jumlah libur yang banyak kadang terjadi pada saat tidak terduga sehingga
mempengaruhi keuangan pekerja. Ini memberikan efek panjangnya waktu jika
memang pekerja hanya ingin menambah uang saku karena sedang kuliah,
masih dalam tanggungan orang tua, dll. Tapi bisa juga berefek memperpendek
waktu karena daily worker yang mempunyai tanggungan hanya mendapatkan
sedikit uang.
22
Institut Teknologi Sepuluh Nopember Surabaya - MMT (Analisa Sistem Keputusan) 11/11/14