JUDUL TA: PENENTUAN NILAI MARK- UP PADA PROYEK-PROYEK KONSTRUKI MENGGUNAKAN DUMMY NAMA MAHASISWA: DWITYA DHANURENDRA BAB I PENDAHULUAN

(1)

JUDUL TA: PENENTUAN NILAI MARK-UP PADA PROYEK-PROYEK KONSTRUKI MENGGUNAKAN DUMMY NAMA MAHASISWA: DWITYA DHANURENDRA 3107 100 022 BAB I PENDAHULUAN 1.1 LATAR BELAKANG PERMASALAHAN

Hampir semua upaya dalam

mendapatkan pekerjaan (proyek), pada sektor jasa konstruksi, selalu melalui proses yang dinamakan pelelangan (tender). Proses ini menjadi sangat penting bagi pengusaha jasa konstruksi, karena kelangsungan hidupnya sangatlah tergantung dari berhasil atau tidaknya proses ini. Penetapan harga pelelangan (tender) ditentukan oleh berbagai

pertimbangan dan terkadang hanya

berdasarkan naluri bisnis. Hal ini sangatlah menentukan besar / kecilnya keuntungan (profit) yang masih mungkin diperoleh kontraktor dan persentase kemungkinan memenangkan proyek.

Pemasaran merupakan suatu fungsi yang

meliputi sejumlah aktivitas dalam

menukarkan jasa perusahaan konstruksi untuk keuntungan ekonomis. Menurut konsep pemasaran modern, fokus aktivitas tersebut adalah pelelangan, dan mengalir kembali kepada kontraktor yang kemudian dapat merencanakan cara untuk memenuhi kebutuhan tersebut. Penawaran bersaing (competitive bidding) adalah jenis lain dari

pricing dalam istilah pemasaran. Dalam

penawaran bersaing, setiap penawar pada suatu kontrak tertentu harus menyerahkan yang masih dapat dipertanggungjawabkan (lowest, responsive, dan responsible) akan memenangkan tender tersebut.

Strategi penawaran (bidding strategy) bagi suatu perusahaan sangatlah bergantung pada tujuan perusahaan; di antaranya adalah

memaksimumkan keuntungan (profit).

Karakteristik kontrak dalam industri konstruksi ditandai oleh persaingan yang makin meningkat, batas keuntungan yang tidak tinggi (low profit margin), dan nilai risiko gagal yang tinggi.

Perkiraan harga sebuah proyek adalah biaya hasil perhitungan yang dilakukan oleh seorang estimator berdasarkan dokumen lelang (gambar rencana dan spesifikasi). Dalam tahap ini harga yang diperoleh adalah harga biaya langsung (direct cost), sedangkan harga penawaran adalah biaya langsung ditambah sejumlah nilai nominal tertentu. Besarnya penambahan biaya tertentu tersebut disebut nilai mark-up, dengan maksud agar kontraktor memperoleh keuntungan dan menutupi biaya overhead perusahaan. Mark-up adalah selisih antara harga penawaran dengan rencana anggaran biaya pekerjaan (biaya langsung dengan biaya tidak langsung).

Permasalahan utama kontraktor dalam mengajukan penawaran adalah menempatkan harga penawaran yang tidak terlalu tinggi sehingga memperoleh peluang proyek . Dalam penawaran pelelangan proyek, segala sesuatunya harus nampak jelas dan rasional sehingga hal ini sangat penting dalam menentukan strategi penawaran yang tepat. Untuk itulah dibutuhkan adanya model prediksi untuk menentukan nilai mark-up pada proyek-proyek konstruksi. Penelitian ini bertujuan untuk membuat model prediksi penentuan harga mark-up. Analisa regresi berganda digunakan untuk menentukan berapa nilai mark-up yang sesuai dengan kondisi dan situasi proyek. Analisis regresi linier berganda ialah suatu alat analisis dalam ilmu statistik yang berguna untuk menguji signifikan atau tidaknya hubungan lebih dari 2 variabel melalui koefisien regresinya. Analisa ini juga dapat digunakan untuk melakukan prediksi berdasarkan independensi variabelnya.

(2)

1.2 PERUMUSAN MASALAH

Berdasarkan penjelasan diatas, ada 2 rumusan masalah yang perlu

diselesaikan:

1. Karakteristik proyek yang seperti apa yang dapat mempengaruhi besarnya mark up?

2. Berapa nilai mark-up yang sesuai dengan situasi dan kondisi proyek

sehingga tetap berpeluang

memenangkan tender dan

memperoleh keuntungan? 1.3 TUJUAN

Tujuan penelitian ini adalah:

1. Untuk mengetahui karakteristik proyek yang dapat mempengaruhi keputusan mark up.

2. Membuat model prediksi untuk mengetahui nilai mark-up yang sesuai dengan situasi dan kondisi serta karakteristik proyek.

1.4 PEMBATASAN MASALAH

Untuk mempersempit lingkup penelitian maka peneliti membatasi hal berikut ini: 1. Proyek-proyek yang ditinjau yaitu

proyek-proyek yang dilakukan oleh kontraktor-kontraktor di Jakarta. 2. Kontraktor yang ditinjau hanya

kontraktor dengan kualifikasi grade 6-7 dengan nilai proyek diatas 1 milyar.

1.5 MANFAAT

Manfaat dari penelitian ini adalah:

1. Pengembangan keilmuan manajemen konstruksi, khususnya keilmuan cost

management

2. Dapat menjadi refrensi/rujukan

penelitian berikutnya

METODOLOGI

1.1 UMUM

Metodologi pada penulisan Tugas Akhir ini antara lain dapat dilihat pada alur dibawah ini, selanjutnya akan diikuti dengan penjelasan dari alur tersebut. PERMASAL AHAN PERANCAN GAN KUESIONER STUDI LITERATUR PENGUMPU LAN DATA PRIMER (SURVEY) 85% DATA UNTUK TRAINING , 15% DATA UNTUK TESTING KESIMPUL AN DAN SARAN JIKA MEMUNGKI NKAN DILENGKAPI DENGAN DATA SEKUNDER PENETAPA N POPULASI & SAMPEL PENELITIA N ANALISA DATA (REGRESI DUMMY) UJI SERENTAK KEBAIKAN MODEL DIDAPATK AN MODEL PREDIKSI YANG PALING SIGNIFIKA N REGRESI STEPWIS E

(3)

Tahapan penelitian

Berikut adalah tahapan-tahapan penelitian dari Tugas Akhir ini:

1. Merumuskan latar belakang dari

penelitian Proposal Tugas Akhir ini yaitu

Perlunya mengidentifikasi karakteristik

proyek yang berpengaruh dalam menetapkan

nilai mark- up, sehingga didapatkan nilai

mark-up yang sesuai dengan situasi dan

kondisi proyek. Dengan nilai mark-up

tersebut, kontraktor masih mampu

memenangkan tender tanpa

mengesampingkan keuntungan yang diperoleh.

2. Merumuskan masalah yang akan

diselesaikan pada penelitian Proposal Tugas

Akhir ini yaitu membuat model

prediksi mark-up yang sesuai dengan situasi

dan kondisi serta karakteristik proyek.

3. Mengidentifikasi kriteria-kriteria yang berpengaruh dalam penentuan nilai mark-up

di dalam studi literatur.

Kriteria-kriteria yang digunakan diambil dari penelitian oleh Dozzi dan Abourizk (1996) dan Ahmad dan minkahar (1988). 4. Merancang kuesioner yang berisi kriteria-kriteria yang didapat dari studi literatur yang nantinya akan disebarkan kepada responden. Sebelum disebar menetapkan populasi dan sampel penelitian. Populasi pada penelitian ini yaitu kontraktor dengan

grade 6-7 di Jakarta. Dengan responden

project manager dan estimator. Dengan

jumlah sampel yang dibutuhkan adalah

lebih dari 30 proyek.

5. Mengumpulkan data primer dengan menyebar kuesioner kepada responden yang sudah ditentukan. Apabila memungkinkan komparasi terhadap data sekunder (dokumen

proyek) akan dilakukan.

6. Membuat tabulasi data dari hasil survey yang sudah disebarkan sebelumnya.

7. Memasukan hasil data yang diperoleh ke dalam minitab dengan menggunakan regresi dummy.

8. Melakukan uji serentak untuk mengetahui signifikan atau tidak model tersebut.

9. Jika signifikan akan didapatkan model terbaik, jika tidak hasil dari uji serentak akan diregresikan lgi menggunakan regresi stepwise untuk mencari variabel-variabel yang paling berpengaruh.

10. Setelah mengetahui variabel-variabel yang signifikan menggunakan stepwise,

kemudian variabel-variabel tersebut

diregresikan kembali.

11. didapat model yang paling signifikan. 12. Dari data yang terkumpul 30 data akan digunakan untuk training model regresi, sedangkan 5data akan digunakan sebagai testing. Untuk mengetahui error dari model prediksi mark-up.

13. Menyimpulkan dan menyarankan hasil dari penelitian Tugas Akhir ini untuk penelitian lanjutan.

BAB IV

ANALISA DAN PEMBAHASAN

4.1 Gambaran umum obyek penelitian dan profil responden

Jumlah kuisioner yang disebar sebanyak 50 kuisioner kepada kontraktor grade 7 di Jakarta, yang kembali sebanyak 35 kuisioner (70%).

(4)

Gambaran berikut berupa chart tentang profil responden.

4.1.1 Jabatan

Gambar 4.1 chart jabatan Dari chart dilihat, jumlah responden berdasarkan jabatan sebanyak 75% (26 orang) adalah seorang project manager. Sisanya 25% (9 orang) adalah seorang estimator.

4.1.2 Pengalaman proyek

Gambar 4.2 chart pengalaman proyek Dari chart dilihat, jumlah responden berdasarkan pengalaman proyek sebanyak 50% (18 orang) yang memiliki pengalaman antara 6-10 tahun, 25% (9 orang) yang memiliki pengalaman lebih dari 10 tahun,

sisanya 4 orang pada pengalaman < 1 tahun dan 2-5 tahun.

4.1.3 Tipe proyek

Gambar 4.3 chart Tipe proyek Dari chart dilihat, berdasarkan tipe proyek, 80% adalah proyek gedung dan 20% proyek jalan.

4.1.4 Identitas owner

Gambar 4.4 chart Identitas owner 75% 25%

Jabatan

project manager estimator 13% 13% 50% 25%

Pengalaman proyek

< 1 tahun 2-5 tahun 6-10 tahun > 10 tahun 80% 20%

Tipe proyek

Gedung Jalan Jembatan Saluran drainase 63% 37%

Identitas Owner

Pemerintah Swasta

(5)

Dari chart dilihat, berdasarkan identitas owner 63% adalah proyek milik pemerintah dan 37% proyek milik swasta.

4.1.5 Kompleksitas proyek

Gambar 4.5 chart Kompleksitas proyek Dari chart dilihat, berdasarkan kompleksitas proyeksebanyak 66% memiliki tingkat kompleksitas tinggi, 34% sisanya memiliki tingkat kompleksitas rendah.

4.1.6 Durasi proyek

Gambar 4.6 chart Durasi proyek Dari chart dilihat, berdasarkan durasi proyek sebanyak 43% berdurasi 10-17 bulan, 40%

berdurasi 3-10 bulan, 17% berdurasi 17-25 bulan.

4.2 Pengolahan Data Kuisioner 4.2.1 Data Kuisioner

Data keseluruhan yang didapat dari hasil survey kuisioner yang telah penulis lakukan berjumlah 35 responden, dengan nilai proyek minimum 1 Milyar, dengan penatapan lokasi responden adalah perusahaan kontraktor di Jakarta. , 66% 34%

Kompleksitas Proyek

Sangat tinggi Tinggi Rendah Sangat rendah 40% 43% 17%

Durasi Proyek

3-10 bulan 10-17 bulan 17-25 bulan

(6)

JENI S P RO YEK : G EDUNG / JAL AN / JEM BAT AN / SALURAN DRAINASE RES PO NDE N VA RIA B E L Uku ran P roye k (D alam M ilyar ) lok asi P roye k K on disi P asar Ju m lah K om pe tit or T en de r T ip e P roye k Durasi P elak san aan (D alam B ulan ) Over he ad Rat e (D alam % ) B eb an K er ja Pe ru sah aan yan g Dik er jakan B ur uh L ok al yan g T er se dia K om pleksi tas Pr oye k Id en tit as O w ne r Hu bu ngan De ngan Ow ne r M ar k Up (D alam % ) PT.1 9.874 Mudah D ija ng ka u Ba ik 5-10 Ge dung 3 5%-10% Ba ny ak > 30 Ting gi Pe mer int ah Ba ik 17.43 PT.2 83 Mudah D ija ng ka u Bur uk <5 Ge dung 7 5%-10% Se da ng 10-20 Ting gi Swa sta Ba ik 14.55 PT.3 2.25 Mudah D ija ng ka u Ba ik <5 Ge dung 3 5%-10% Se da ng >30 Re nda h Swa sta Ba ik 15.13 PT.4 4.74 Mudah D ija ng ka u Ba ik <5 Ge dung 4 5%-10% Se da ng >30 Re nda h Swa sta Ba ik 14.18 PT.5 27.263 Mudah D ija ng ka u Ba ik 5-10 Ge dung 9 5%-10% Se da ng >30 Ting gi Swa sta Ba ik 15.18 PT.6 16.728 Mudah D ija ng ka u Ba ik 5-10 Jalan 3 5%-10% Se da ng >30 Ting gi Pe mer int ah Ba ik 15.68 PT.7 65.909 Mudah D ija ng ka u Ba ik 5-10 Ge dung 11 5%-10% Se da ng >30 Ting gi Swa sta Ba ik 18.43 PT.8 9.619 Mudah D ija ng ka u Ba ik <5 Ge dung 4 5%-10% Se da ng >30 Re nda h Pe mer int ah Ba ik 17.18 PT.9 12.924 Suli t Dij ang ka u Ba ik <5 Ge dung 5 >10% Ba ny ak >30 Ting gi Pe mer int ah Ba ik 18.08 PT.10 12.272 Suli t Dij ang ka u Ba ik 10-20 Ge dung 10 >10% Se da ng 10-20 Ting gi Pe mer int ah Ba ik 14.68 PT.11 45 Suli t di jang ka u Ba ik 10-20 Jalan 15 5%-10% Ba ny ak 10-20 Ting gi Pe mer int ah Ba ik 27.5 PT.12 15 Suli t di jang ka u Ba ik 10-20 Jalan 5 5%-10% Se da ng 20-30 Re nda h Pe mer int ah Ba ik 25 PT.13 160 Mudah dijang ka u Ba ik 5-10 Ge dung 25 2%-5% Se da ng <10 Ting gi Pe mer int ah Ba ik 25 PT.14 35 Mudah dijang ka u Ba ik >20 Ge dung 10 2%-5% Se da ng 20-30 Ting gi Pe mer int ah Ba ik 26 PT.15 384 Mudah dijang ka u Ba ik <5 Ge dung 25 2%-5% Se da ng 10-20 Ting gi Pe mer int ah Ba ik 27.5 PT.16 10 Mudah dijang ka u Ba ik >20 Ge dung 5 5%-10% Se da ng 20-30 Re nda h Pe mer int ah Ba ik 25 PT.17 200 Mudah dijang ka u Ba ik <5 Ge dung 25 <2% Se diki t 10-20 Ting gi Swa sta Ba ik 12.5 PT.18 75 Sa ng at m uda h dij ang ka u Ba ik <5 Ge dung 15 2%-5% Se da ng <10 Ting gi Pe mer int ah Ba ik 30 PT.19 15 Mudah dijang ka u Ba ik 5-10 Ge dung 10 2%-5% Se da ng 20-30 Re nda h Swa sta Ba ik 15 PT.20 120 Suli t di jang ka u Ba ik 5-10 Jalan 10 5%-10% Se da ng 10-20 Ting gi Pe mer int ah Ba ik 25 PT.21 25 Mudah dijang ka u Ba ik 5-10 Ge dung 10 2%-5% Se da ng 10-20 Re nda h Pe mer int ah Ba ik 25 PT.22 105 Sa ng at m uda h dij ang ka u Ba ik 5-10 Ge dung 15 2%-5% Se da ng 10-20 Ting gi Swa sta Ba ik 15 PT.23 170 Mudah dijang ka u Ba ik 5-10 Ge dung 20 2%-5% Se da ng 10-20 Ting gi Pe mer int ah Ba ik 30 PT.24 80 Mudah dijang ka u Ba ik 5-10 Ge dung 15 2%-5% Se da ng 10-20 Ting gi Swa sta Ba ik 12.5 PT.25 120 Mudah dijang ka u Ba ik 5-10 Ge dung 20 2%-5% Se da ng 10-20 Re nda h Pe mer int ah Ba ik 30 PT.26 70 Mudah dijang ka u Ba ik <5 Ge dung 10 <2% Se da ng 10-20 Re nda h Swa sta Ba ik 15 PT.27 150 Mudah dijang ka u Ba ik 5-10 Jalan 11 5%-10% Ba ny ak >30 Re nda h Swa sta Ba ik 30 PT.28 25 Suli t di jang ka u Bur uk 5-10 Jalan 12 >10% Ba ny ak <10 Ting gi Pe mer int ah Ba ik 20 PT.29 25 Mudah dijang ka u Bur uk >20 Ge dung 12 5%-10% Ba ny ak >30 Ting gi Pe mer int ah Ba ik 24 PT.30 25 Mudah dijang ka u Ba ik >20 Ge dung 12 5%-10% Ba ny ak >30 Ting gi Pe mer int ah Ba ik 18 PT.31 100 Mudah dijang ka u Ba ik 5-10 Ge dung 6 5%-10% Ba ny ak >30 Ting gi Swa sta Ba ik 30 PT.32 20 Mudah dijang ka u Ba ik <5 Ge dung 6 2%-5% Se da ng 10-20 Re nda h Swa sta Ba ik 17.35 PT.33 80 Mudah dijang ka u Bur uk >20 Ge dung 17 5%-10% Ba ny ak 10-20 Ting gi Pe mer int ah Ba ik 22 PT.34 11 Mudah dijang ka u Ba ik >20 Ge dung 8 5%-10% Se da ng 20-30 Re nda h Pe mer int ah Ba ik 20 PT.35 150 Suli t Dij ang ka u Ba ik 5-10 Jalan 9 5%-10% Ba ny ak 20-30 Ting gi Pe mer int ah Ba ik 24 RES PO NDE N VA RIA B E L sumbe r: pe rusahan-pe

rusahan kontraktor di Jak

arta (

PT)

Gambar 4.7 contoh hasil kuiosioner Gambar tabel diatas adalah salah satu data kuisioner “Identifikasi Mark-Up pada Kontraktor Jakarta” yang telah diisi oleh salah satu perusahaan kontraktor mengenai proyek yang sedang mereka kerjakan. Didapatkan nilai dari sebuah proyeknya adalah 384 Milyar, dengan durasi pelaksanaan 25 bulan, dan penetapan nilai mark-up yang mereka gunakan sebesar 27,5%.

Berikut dibawah ini adalah tabel keseluruhan data kuisioner 35 responden tersebut.

Tabel 4.1 Tabel data kuisioner

Didapatkan hasil survey “Identifikasi Mark-Up pada Kontraktor Jakarta” dengan responden berjumlah 35, dengan jenis proyek yang ditinjau diantaranya gedung, jalan, jembatan, dan saluran drainase. Dapat dibaca pada tabel tersebut, untuk nilai proyek (dalam Milyar) tertinggi adalah 384 Milyar dan terendah adalah 2.25 Milyar. Lokasi Proyek rata-rata mudah dijangkau. Kondisi pasar yang baik. Jumlah kompetitior berkisar antara 5-10 perusahaan. Tipe proyek yang mereka kerjakan mayoritas adalah bangunan gedung dan sedikit bangunan jalan. Waktu pengerjaan yang bervariasi tergantung pada nilai proyek masing-masing, dari 3 hingga 25 bulan. Biaya Overhead yang digunakan berkisar 5-10%. Identitas owner mayoritas adalah milik pemerintah dan penetapan mark-up yang mereka gunakan paling kecil adalah 12.5% dan paling tinggi adalah 30%.

Penjabaran data diatas adalah analisa biasa dari pembacaan tabel hasil kuisioner yang telah penulis lakukan. Untuk mendapatkan model persamaan terhadap nilai Mark-Up yang ideal pada proyek-proyek konstruksi penulis menggunakan analisa statistic, yaitu menggunakan analisa persamaan liniar berganda dengan dummy. Persamaan liniar berganda dengan dummy sendiri adalah persamaan yang memiliki lebih dari dua variable. Untuk menyelesaikan persoalan ini penulis menggunakan program bantu MINITAB V.16. Sebuah program bantu

tentang analisa predictive yang

menggunakan beberapa sampel data untuk membuat model persamaan.

(7)

4.3 Analisa dan Pengolahan Data Menggunakan Minitab

Data-data yang sudah diterima dimasukan ke dalam minitab dengan skala, kecuali data tentang mark up. Karena dibutuhkan data asli untuk pemodelan.

4.3.1 Pemodelan Variabel Prediktor

Pemodelan ini diperlukan untuk mengetahui signifikansi model yang didapatkan dengan memasukkan semua variabel prediktor. Langkah-langkah di minitab

1. Pemodelan Serentak : klik menu Stat –Regression-Regression

Gambar 4.8 Pemodelan serentak pada minitab

Masukkan variabel respon (mark up) pada bagian “response” dan variabel prediktor pada bagian “predictors”.

- Klik menu Graphs

Pilih opsi “Four in one” untuk residual plot

- Klik menu Option

Centang opsi Variance inflation factor untuk Display

- Klik menu Storage

Centang opsi Residual untuk Diagnostic Measure

Berikut adalah model yang didapatkan : Y = 20.7 + 10.6 X1_1 + 5.73 X1_2 - 0.81 X1_3 - 7.07 X2_2 - 5.46 X2_3 - 0.92 X3_2 - 2.53 X4_1 + 0.89 X4_2 - 0.94 X4_3 - 2.02 X5_1 + 6.30 X6_1 + 0.39 X6_2 + 2.08 X6_3 + 9.28 X7_1 + 8.02 X7_2 + 6.05 X7_3 - 7.8 X8_2 - 10.6 X8_3 + 3.01 X9_1 + 6.53 X9_2 - 0.26 X9_3 - 5.95 X10_2 + 7.97 X11_1

Signifikansi model diketahui melalui prosedur uji serentak dengan cara melihat nilai p-value pada tabel Anova di bawah ini :

Tabel 4.2 Analysis of Variance

Source d_b SS MS F P Regressi on 23 942.65 40.98 2.34 0.14 7 Residual Error 6 105.11 17.52 Total 2₉ 1047.7₆

Nilai p-value melebihi tingkat kesalahan yang digunakan (0,05). Hal ini berarti model yang melibatkan semua variabel 7redictor tidak signifikan atau dengan kata lain tidak layak digunakan. Oleh karena itu perlu dicari model terbaik dengan menggunakan prosedur Stepwise Regression. Kriteria model terbaik diantaranya adalah model yang uji serentak signifikan dan semua variabel 7redictor juga signifikan.

4.3.2 Prosedur Stepwise

Metode regresi bertatar (stepwise regression) digunakan untuk mencari model terbaik. Kriteria model terbaik diantaranya adalah model yang uji serentaknya signifikan dan uji individu juga menunjukkan semua variabel signifikan. Prosedur stepwise regression dilakukan sampai didapatkan semua variabel yang masuk ke dalam model signifikan berpengaruh terhadap mark up (p-value < 0.05).

1. Stepwise : klik menu Stat-Regression-Stepwise

(8)

Masukkan variabel respon (mark up) pada bagian “response” dan variabel 8redictor pada bagian “predictors”.

Gambar 4.9 input stepwise Berikut adalah out put yang dihasilkan :

Tabel 4.3 Nilai P-value Pada Metode

Stepwise Variabel Step 13 Step 14 Step 15 Step 16 X1_1 0.000 0.000 0.000 0.000 X1_2 0.019 0.007 0.007 0.003 X1_3 X2_2 X2_3 0.042 0.066 0.074 0.036 X3_2 X4_1 X4_2 X4_3 X5_1 X6_1 0.012 0.008 0.012 0.007 X6_2 X6_3 X7_1 X7_2 0.111 0.325

Tabel 4.4Nilai P-value Pada Metode

Stepwise (lanjutan) Variabel Step 13 Step 14 Step 15 Step 16 d 0.195 X8_2 0.106 0.238 0.227 X9_1 0.181 0.115 0.029 0.010 X9_2 0.042 0.014 0.010 0.010 X9_3 X10_2 0.001 0.001 0.001 0.001 X11_1 0.000 0.000 0.000 0.000

Output di atas menunjukkan bahwa prosedur stepwise regression dilakukan sampai step (langkah) ke 16. Pada step ke 16 ini variabel/indikator yang masuk ke dalam model adalah X1_1, X1_2, X2_3, X6_1, X9_1, X9_2, X10_2, X11_1. Selanjutnya variabel X1, X2, X6, X9, X10, dan X11 dimodelkan kembali secara serentak.

4.3.3 Model Terbaik

Variabel yang valid di Stepwise di modelkan lagi secara serentak : langkah seperti nomer 4.2.1

Persamaan regresi yang didapatkan adalah sebagai berikut :

Y = 13.4 + 7.60 X1_1 + 3.15 X1_2 - 1.26 X1_3

- 0.79X2_2 - 4.36 X2_3 + 8.50X6_1+ 3.19

X6_2 + 2.13 X6_3 + 5.03 X9_1 + 6.10 X9_2 -

0.20 X9_3 + - 5.41 X10_2+ 7.66 X11_1

4.3.4 Uji Asumsi Residual

Uji asumsi residual meliputi uji normalitas, independensi, dan identik. Uji normalitas dilakukan dengan menggunakan aturan Kolmogorov Smirnov dimana aturan ini sering dipakai untuk uji serupa.

5.0 2.5 0.0 -2.5 -5.0 99 95 90 80 70 60 50 40 30 20 10 5 1 RESI2 P e rc e n t Mean -6.39488E-15 StDev 2.403 N 30 KS 0.076 P-Value >0.150 Probability Plot of RESI2

Normal

(9)

P-value yang lebih besar dari 0.05 mengindikasikan bahwa asumsi normalitas telah terpenuhi. Hal ini berarti data penelitian berdistribusi normal.

Selanjutnya adalah uji asumsi independen dengan menggunakan indikator VIF.

Hasilnya bisa dilihat pada tabel di bawah ini :

Tabel 4.5 Nilai Signifikansi Variabel dan

VIF

Predictor Coef T P VIF

Constant 13.387 3.58 0.002 X1_1 7.600 2.23 0.040 8.287 X1_2 3.150 0.81 0.432 6.084 X1_3 -1.262 -0.45 0.660 3.637 X2_2 -0.786 -0.25 0.803 4.418 X2_3 -4.360 -1.31 0.208 6.205 X6_1 8.505 2.11 0.051 6.453 X6_2 3.194 0.90 0.383 7.634

Tabel 4.6 Nilai Signifikansi Variabel dan

VIF (lanjutan)

Predictor Coef T P VIF

X6_3 2.130 0.61 0.549 6.781 X9_1 5.029 1.61 0.126 6.468 X9_2 6.104 1.79 0.093 3.873 X9_3 -0.196 -0.08 0.936 4.045 X10_2 -5.412 -3.35 0.004 1.659 X11_1 7.660 4.51 0.000 1.918

VIF (Varians Inflation Factor) merupakan indikator yang digunakan untuk mendeteksi adanya kasus multikolinieritas. Apabila ada satu saja nilai VIF yang melebihi 10, maka telah terjadi kasus multikolinieritas yang berarti asumsi independen tidak terpenuhi. Pada tabel 4.4 dan tabel 4.5 di atas diketahui bahwa nilai VIF tidak ada yang melebihi nilai 10, sehingga tidak terjadi kasus multikolinieritas alias asumsi independen terpenuhi.

Uji Asumsi Identik dilakukan dengna mengamati plot antara residual dengan fitted value (nilai mark up model) pada gambar 4.7 di bawah ini. 5.0 2.5 0.0 -2.5 -5.0 99 90 50 10 1 Residual P er ce nt 30 25 20 15 10 5.0 2.5 0.0 -2.5 -5.0 Fitted Value R es id ua l 4 2 0 -2 -4 8 6 4 2 0 Residual Fr eq ue nc y 30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 5.0 2.5 0.0 -2.5 -5.0 Observation Order R es id ua l

Normal Probability Plot Versus Fits

Histogram Versus Order

Residual Plots for Y

Gambar 4.11 Plot Residual

Tampak pada gambar bahwa pola yang terbentuk adalah pola acak sehingga bisa disimpulkan bahwa asumsi identik telah terpenuhi. Dengan terpenuhinya ketiga asumsi residual, maka analisis regresi bisa dilanjutkan dengan menginterpretasikan out put persamaan regresi yang meliputi tabel ANOVA, nilai R-Square, dan uji signifikansi variabel dengan indikator sum square sequential.

Tabel 4.7 Analysis of Variance

Source d_b SS MS F P Regressi on 13 880.33 67.72 6.47 0.00 0 Residual Error 16 167.43 10.46 Total 2₉ 1047.7₆

Nilai p-value pada tabel ANOVA lebih kecil dari tingkat kesalahan (<0.05) sehingga bisa disimpulkan bahwa model regresi yang diperoleh signifikan. Seberapa baik model dalam menjelaskan nilai mark up bisa dilihat

dari nilai R-square. Nilai 84%

mengindikasikan bahwa model cukup baik karena bisa menjelaskan > 75% keragaman mark up.

S = 3.23489 R-Sq = 84.0% R-Sq(adj) = 71.0%

(10)

Selanjutnya adalah melihat signifikansi variabel dengan indikator sum square sequential yang ditunjukkan oleh tabel 4.xx berikut :

Tabel 4.8 Perhitungan Signifikansi Variabel

Dari tabel di atas terlihat bahwa semua variabel prediktor signifikan berpengaruh terhadap mark up. Hal ini ditunjukkan oleh

nilai F0 yang lebih besar dari Ftabel. Nilai R

square sebesar 84.0% menunjukkan bahwa model yang didapatkan cukup baik, karena bisa menjelaskan variasi mark up lebih dari 80%.

4.3 Validasi Dengan Menggunakan Data Testing

Validasi dengan menggunakan data testing diperlukan untuk mengetahui seberapa baik

model regresi yang diperoleh dalam memprediksi nilai mark up dari nilai-nilai variabel prediktor yang baru. Data testing yang digunakan pada penelitian kali ini berjumlah 5 buah observasi(15% data). Langkah-langkah di minitab adalah sebagai

berikut :

1. klik menu Stat –Regression-Regression

Gambar 4.8 Validasi data testing Masukkan variabel respon (mark up) pada bagian “response” dan variabel prediktor pada bagian “predictors”.

- Klik menu Graphs

Pilih opsi “Four in one” untuk residual plot

- Klik menu Option

Centang opsi Variance inflation factor untuk Display

Masukkan semua data testing pada bagian prediction interval for new observation Variab el Sum Square Sequenti al Total Sum Square Sequentia l F0 Ftabe l Keputus an X1_1 191.74 228.93 21.886₂₃ 3.2₄ Signifik_an X1_2 34.67 X1_3 2.52 X2_2 40.27 _40.59 3.8804 97 3.63 Signifikan X2_3 0.32 X6_1 102.74 157.5 15.057₃₆ 3.2₄ Signifik_an X6_2 0.12 X6_3 54.64 X9_1 11.74 186.61 17.840₃₄ 3.2₄ Signifik_an X9_2 174.06 X9_3 0.81 X10_2 53.62 53.62 5.1261₉₅ 4.4₉ Signifik_an X11_1 213.07 213.07 20.369₉₈ 4.4₉ Signifik_an

(11)

Gambar 4.9 Input data testing

- Klik menu Storage

Centang opsi Residual untuk Diagnostic Measure

Berikut adalah nilai mark up taksiran dari 5 data testing yang dimasukkan ke dalam model :

Tabel 4.9 Nilai mark-up hasil data testing Obs Mark Up Asli (𝑌_𝑖) Mark Up Taksiran (𝑌 _𝑖) 𝑌𝑖 − 𝑌 𝑖 /(𝑌_𝑖) 1 18.373 0.387 2 18.560 -0.069 3 27.183 -0.235 4 23.658 -0.183 5 30.683 -0.223

Nilai pada kolom terakhir memiliki error sebesar 6.5% dan standar deviasinya sebesar 0.261 dengan varians sebesar 6.76% sehingga bisa disimpulkan bahwa model yang dihasilkan cukup baik untuk kepentingan prediksi. Interpretasi Model Y = 13.4 + 7.60 X1_1 + 3.15 X1_2 - 1.26 X1_3 - 0.79X2_2 - 4.36 X2_3 + 8.50X6_1+ 3.19 X6_2 + 2.13 X6_3 + 5.03 X9_1 + 6.10 X9_2 - 0.20 X9_3 + - 5.41 X10_2+ 7.66 X11_1

Untuk mendapatkan nilai markup, caranya adalah dengan memasukkan nilai variabel dummy pada persamaan di atas. Misalkan, proyek dengan karakteristik sebagai berikut : Ukuran proyek = Rp 21 – 30 M

Lokasi proyek = mudah dijangkau Durasi pelaksanaan = 6 - 10 Buruh lokal = 20 - 30

Kompleksitas proyek = tinggi Identitas owner = swasta

Dengan menggunakan persamaan diatas maka hasil perhitungan markup adalah sebagai berikut Markup = 13.4+3.15-4.36+2.13+6.01-5.41=14.92 BAB V PENUTUP 5.1 Kesimpulan

Berdasarkan data yang digunakan untuk membuat model, dapat disimpulkan bahwa variabel yang mempengaruhi besar markup adalah ukuran proyek, lokasi proyek, durasi

pelaksanaan proyek, buruh lokal yang tersedia, kompleksitas proyek, dan identitas owner.

Model prediksi mark-up yang dibentuk melalui regresi berganda dengan dummy adalah sebagai berikut:

Y= Y = 13.4 + 7.60 X1_1 + 3.15 X1_2 - 1.26

X1_3 - 0.79X2_2 - 4.36 X2_3 + 8.50X6_1+

3.19 X6_2 + 2.13 X6_3 + 5.03 X9_1 + 6.10

X9_2 - 0.20 X9_3 + - 5.41 X10_2+ 7.66

X11_1

Dengan R2 = 84%, error = 6.5% dan varians = 6.7%

(12)

5.2 Saran

Dari hasil yang diujikan pada model prediksi mark-up, terlihat bahwa masih terdapat varian yang besar. Hal ini disebabkan karena jumlah data yang terbatas, maka bila ingin mendapatkan model yang lebih baik disarankan untuk menambah jumlah data..

DAFTAR PUSTAKA

 Ahmad, I. & Minkahar,

I.(1988).Questionere Survey on

Bidding in Construction. Journal of

Management in Engineering, Vol. 4(3).pp.229-243

 Dipranatha,Tips News dan Information

Sistem:Apa Itu

Tender,<URL:http://www.dipranatha.bl

ogspot.com/2010/02/tender-atau-lelang-merupakan-proses.html> , 2011.

 Dozzi and AbouRizk, Combining

Rule-Based Expert Systems and Artificial Neural Networks for Mark-Up Estimation., journal of construction

engineering and management,vol (17),pp 169-171,1999.