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
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.
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
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 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.
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
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 :
P
=
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
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 %
Tabel 7 : Prediksi kedepan perpindahan merek produk eyeliner.
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.
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:
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 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
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 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 : nilai ramalan untuk periode berikutnya
Xt : variabel X pada periode ke t
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 : 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
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
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
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.
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 = 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).
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 :
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.
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)
X15 : Naik kendaraan (mobil, motor, angkutan umum) X16 : Kelurahan
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
