UAS Analisa Sistem Keputusan MTI

FURQON MAULADANI (9114205324) TUGAS UAS ASK [email protected]

TUGAS ANALISIS SISTEM KEPUTUSAN

NAMA : FURQON MAULADANI

NIM : 9114205324

JURUSAN : MANAJEMEN TEKNOLOGI INFORMASI

PROGRAM MAGISTER MANAJEMEN TEKNIK (MMT)

INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA

2014


DAFTAR ISI

1. Structural Equation Modeling (SEM)...................... 3

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. Structural Equation Modeling (SEM)

Rima Rajut adalah sebuah usaha kecil rumahan yang melakukan produksi dan penjualan

hasil rajutan kerudung dan tas. Selain menjual barang tadi, Rima Rajut 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.


KELOMPOK VARIABEL PERTANYAAN

Tangible (yang terlihat)

X1

Kondisi paket pengiriman produk rapih

Produk menarik dan tidak ketinggalan jaman Produk berkualitas bagus

Website Rima Rajut interaktif dan tidak membingungkan

Reliability (keandalan)

X2

Terpenuhinya setiap pemesanan yang dilakukan Produk yang dipesan selalu tersedia di stok

Ketersediaan informasi lengkap tentang produk pada media online

Responsiveness (ketanggapan)

X3

Karyawan melayani secara ramah dan sopan setiap pemesanan maupun keluhan

Pelayanan pengiriman cepat dan tanggap sewaktu ada pesanan Kesigapan Rima Rajut dalam menangani masalah kesalahan pengiriman maupun produk yang cacat

Assurance (jaminan)

X4

Produk yang dijual tidak cacat dan sesuai dengan yang dipesan Barang bisa ditukarkan jika terjadi cacat atau tidak sesuai yang dipesan

Proses penukaran barang tidak berbelit dan ditanggung Rima Rajut

Emphaty (perhatian)

X5

Siap dihubungi dari jam 6 pagi sampai jam 10 malam

Kemudahan untuk menghubungi Rima Rajut (Facebook, Twitter, BBM, Whats App, SMS & telpon) 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 PERTANYAAN

Y5 Saya tidak gengsi memakai produk Rima Rajut di acara resmi atau biasa Y6 Rima Rajut sebagai pilihan bran utama saya untuk kerudung dan tas

Y7 Saya bersedia memesan dan membeli produk Rima Rajut lagi Y8 Saya ingin merekomendasikan produk Rima Rajut kepada orang lain

Tabel 3 : Keterangan variabel Y yang di observasi pada laten Loyalitas.


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 macam-macam 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 kuis ioner

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.

No. Merek Jumlah

Pelanggan Persentasi

1 Wardah 15 15 %

2 Maybelline 19 19 %

3 Oriflame 8 8 %

4 Sariayu 32 32 %

5 L'Oreal 26 26 %

Total 100 100 %

Tabel 4 : Jumlah pelanggan masing-masing merek pada tahun 2014.

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 :

Dari merek

Ke merek

Wardah Maybelline Oriflame Sariayu L'Oreal Pemakai

sebelumnya

Wardah 5 3 5 2 0 15

Maybelline 0 11 2 3 7 23

Oriflame 4 2 1 2 5 14

Sariayu 4 3 0 21 5 33

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 Ke merek

Wardah Maybelline Oriflame Sariayu L'Oreal Total

Wardah 0,3333 0,2000 0,3333 0,1333 0 1

Maybelline 0 0,4783 0,0870 0,1304 0,3043 1

Oriflame 0,2857 0,1429 0,0714 0,1429 0,3571 1

Sariayu 0,1212 0,0909 0 0,6364 0,1515 1

L'Oreal 0,1333 0 0 0,2667 0,6000 1

Tabel 6 : Probabilitas perpindahan merek satu ke merek yang lain.

Berdasarkan tabel 6 diatas, maka dari itu matrix probabilitas transisinya adalah :

0,3333 0,2 0,3333 0,1333 0 0 0,4783 0,0870 0,1304 0,3043

0,2857 0,1429 0,0714 0,1429 0,3571

0,1212 0,0909 0 0,6364 0,1515

0,1333 0 0 0,2667 0,6

Dengan nilai vektor keadaan awal sebagai berikut :

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 :

0,1513 0,1371 0,0672 0,3482 0,2962 0,1513 0,1371 0,0672 0,3482 0,2962

0,1513 0,1371 0,0672 0,3482 0,2962

0,1513 0,1371 0,0672 0,3482 0,2962

0,1513 0,1371 0,0672 0,3482 0,2962

P =

P14 =

x(0) =


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 :

𝑋(𝑛) = 𝑃𝑛 𝑋(0) 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 :

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.


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.

http://www.datamart.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.


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.


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.


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 :

𝐹𝑡+1 =𝑋1 + 𝑋2 + 𝑋3 + ⋯ + 𝑋𝑡

𝑛

Double Moving Average :

𝐹𝑡+1 =𝑋𝑡 + 𝑋𝑡−1 + 𝑋𝑡−2 + ⋯ + 𝑋𝑡−𝑛+1

𝑛

Ft+1 : nilai ramalan untuk periode berikutnya

Xt : variabel X pada periode ke t

n : jangka waktu Moving Average


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

𝐹𝑡+1 =𝑋1 + 𝑋2 + 𝑋3 + ⋯ + 𝑋𝑡

𝑛

Untuk t ≥ n, maka :

𝐹𝑡+1 = 𝐹𝑡 +1

𝑛(𝑋𝑡 − 𝑋𝑡−𝑛)

Jika data Xt-n tidak tersedia, dapat diganti persamaan itu menjadi :

𝐹𝑡+1 = 𝛼𝑋𝑡 + (1 − 𝛼)𝐹𝑡 Ft+1 : nilai ramalan untuk periode berikutnya

Ft : nilai pemulusan yang lama atau rata-rata pemulusan hingga periode t - 1

Xt : data baru atau nilai X yg sebenarnya pada periode t

: konstanta pemulusan


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

𝑆′𝑡 = 𝛼𝑋1 + (1 − 𝛼)𝑆′𝑡−1 𝑆′′𝑡 = 𝛼𝑆′𝑡 + (1 − 𝛼)𝑆′′𝑡−1

𝑎𝑡 = 𝑆′𝑡 + (𝑆′𝑡 − 𝑆′′

𝑡) = 2𝑆′𝑡 − 𝑆′′𝑡

𝑏𝑡 =𝛼

1 − 𝛼(𝑆′

𝑡 − 𝑆′ ′𝑡 )

Persamaan untuk membuat peramalan pada periode m yang akan datang adalah:

𝐹𝑡+𝑚 = 𝑎𝑡 + 𝑏𝑡 𝑚

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


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 : 𝑆𝑡 = 𝛼𝑋𝑡

𝐼𝑡−𝐿+ (1 − 𝛼)(𝑆𝑡−1 + 𝑏𝑡−1)

Pemulusan tren : 𝑏𝑡 = 𝑦(𝑆𝑡 − 𝑆𝑡−1) + (1 − 𝑦)𝑏𝑡−1

Pemulusan musiman : 𝐼𝑡 = 𝛽𝑋𝑡

𝑆𝑡+ (1 − 𝛽)𝐼𝑡−𝐿

Persamaan untuk peramalan pada periode m : 𝐹𝑡+𝑚 = (𝑆𝑡 + 𝑏𝑡 𝑚)𝑙𝑡−𝐿+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 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.


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 = 𝛽0 + 𝛽1𝑌𝑡−4

Yt = variabel dependen pada periode ke-t Yt -4 = 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:

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 :

𝑌𝑡 = 268 + 1,02(𝑌𝑡−4)


4. Reliability/Survival 4.1. Latar Belakang

Kegiatan utama Banquet Department pada Hotel The XYZ 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.


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 dan 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)


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.


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.

UAS Analisa Sistem Keputusan MTI

Education

Transcript of UAS Analisa Sistem Keputusan MTI