Contoh Studi Kasus Structural Equation M

Furqon Mauladani 9114205324 furqonmauladani@gmail.
com
DAFT
AR 1
ISI
Institut Teknologi Sepuluh Nopember

Surabaya - MMT (Analisa Sistem
Keputusan) 11/11/14
1. Structural Equation Modeling (SEM)

2. Markov Chain.........................................................
3. Time Series.............................................................
3.1.
Analisa Tren.................................................
3.2.
Analisa Pola Musiman.................................
3.3.
Analisa
Forecast
dengan
Moving
Average dan
Smoothing
13
3.4.
Auto Regressive 18
4. Reliability/Survival
20
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 2
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.
Institut Teknologi Sepuluh

Nopember Surabaya - MMT
(Analisa Sistem Keputusan)
11/11/14
KELOMPOK
VARIABEL
Tangible (yang
terlihat)
X1
Reliability
(keandalan)
X2
Responsivenes
s
(ketanggapan)
3
Kondisi paket pengiriman produk rapih
Produk menarik dan tidak ketinggalanKeputusan)
jaman
11/11/14
Produk berkualitas bagus
Website Rima Rajut interaktif dan tidak
membingungkan
Terpenuhinya setiap pemesanan yang dilakukan
Produk yang dipesan selalu tersedia di stok
Ketersediaan informasi lengkap tentang produk pada
media online
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
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
(Facebook, Twitter, BBM, Whats App, SMS & telpon)
X5
(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.
X3
VARIABEL
PERTANYAAN
Y1
Kesan pelanggan terhadap pelayanan dan produk Rima Rajut
Kualitas produk sesuai harapan dan harga yang dibayar
Y2
Y3
Kualitas produk konsisten sepanjang waktu
Sering memesan produk di Rima Rajut
Y4
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.

Total
Tabel 4 : Jumlah pelanggan
masing-masing merek pada tahun
2014.
2. Markov Chain
Dari data diatas menunjukkan jumlah

Eyeliner merupakan alat kosmetikpelanggan pada periode saat ini. Merek
yang banyak disukai oleh wanita karena Sariayu menempati peringkat pertama
dengan eyeliner yang bagus dan cara dengan jumlah 32 pelanggan dari 100
memakai yang baik akan membuatresponden, yang artinya 32% proporsinya.
penampilan cantik sempurna. DenganSedangkan merek Oriflame menempati
sedikit melakukan sentuhan eyeliner pada urutan terbawah dengan persentasi 8%.
daerah kelopak mata, mata yang tampakBerikut ini tabel perpindahan merek
lelah akan lebih segar sehingga membuat eyeliner yang dilakukan oleh pelanggan :
mata wanita lebih cantik mempesona.
Ke merek
Banyak sekali merek produk eyeliner
Dari merek
dipasaran yang memiliki macam-macam
Wardah Maybelline
Oriflame
Sa
keunggulan dan tampilan hasil yang
5
3
5
menarik sehingga terkadang membuat Wardah
Maybelline
0
11
2
wanita
tertarik
berpindah-pindah
Oriflame
4
2
1
menggunakan merek satu ke merek yang
Sariayu
4
3
0
lainnya untuk mencari produk yang paling
cocok.
4
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, LOreal.
No.
Merek
Wardah
Maybelline
Oriflame
Sariayu
L'Oreal

11/11/14

0,1333
L'Oreal
2
0
Pemakai saat ini
15
19
Tabel 5 : Data perpindahan merek
(brand switching) tahun 2013 ke
2014.
Dengan nilai vektor keadaan awal sebagai berikut :
x(0)
0,15
0,19
0,08
Dari data diatas terlihat penurunan

Oriflame dari 14 ke 8 orang pelanggan * Dari kiri ke kanan untuk Wardah,
dikarenakan hanya 1 orang bertahanMaybelline, Oriflame, Sariayu, LOreal
memakai
merek
ini,
sedangkan
Merek
Wardah
memiliki
nilai
pertambahan pelanggan baru hanya 7
orang dibandingkan dengan kehilangan 13 probabilitas 0,15 yang nilainya diperoleh
orang. Penurunan jumlah pelanggan juga dari jumlah pelanggan (15) dibagi dengan
terjadi pada merek Maybelline dan Sariayu, jumlah semua responden (100), begitu
pelanggan yang bertahan memakai merek seterusnya kesamping sampai merek
tersebut
juga
dikisaran
jumlahLOreal. Dibawah ini adalah kondisi matrix
yang sudah stasioner dengan kesamaan
setengahnya. Pada hasil perbandingan
4 angka dibelakang koma pada periode
jumlah pelanggan merek Wardah tetap,
ke 14 :
akan tetapi dari 10 orang beralih ke yang
lain dan 10 orang mencoba merek Wardah.
Peningkatan jumlah pelanggan terjadi pada
merek LOreal yang sebelumnya 155
menjadi 26 orang, dengan 9 orang yang
tetap menggunakan produk ini. Dibawah ini
adalah tabel probabilitas dari tabel
11/11/14
perpindahan merek:
Ke merek
Dari merek
Wardah
Maybelline
Oriflame
Sariayu
L'Oreal
Wardah Maybelline
0,3333
0,2000
0
0,4783
0,2857
0,1429
0,1212
0,0909
0,1333
0
Tabel 6 : Probabilitas
perpindahan merek satu ke
merek yang lain.
Berdasarkan tabel 6 diatas, maka dari itu

matrix probabilitas transisinya adalah :
P=
0,26
0,3333
0
0,2
0,4783
0,3333
0,0870
0,2857
0,1212
0,1429
0,0909
0,0714
0,32

2028
15,134 %
13,708 %
Tabel 7 : Prediksi kedepan
perpindahan merek produk
eyeliner.
0,1371
0,1371 Dari hasil analisa tabel diatas menghasilkan
14
0,1513
0,1371 kesimpulan bahwa :
0,1513
0,1371
0,1513
0,1371 6
Gambar 2 dibawah ini adalah survei
keseluruhan dari masing-masing pelanggan
11/11/14
0,1513
0,1513
yang menggunakan produk eyeliner dalam

diagram pie.
Gambar 2 : Diagram pie probabilitas masingmasing 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
2015
2016
2017
2018
2019
2020
2021
2022
2023
2024
2025
2026
2027
Wardah
14,631 %
14,809 %
14,965 %
15,061 %
15,108 %
15,127 %
15,133 %
15,134 %
15,134 %
15,134 %
15,134 %
15,134 %
15,134 %
Maybelline
16,139 %
14,669 %
14,021 %
13,778 %
13,705 %
13,692 %
13,696 %
13,701 %
13,704 %
13,708 %
13,708 %
13,708 %
13,708 %
6,71
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. LOreal dari tahun 2015 sampai7
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
LOreal.

11/11/14
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.com8
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.

11/11/14
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 kecendrungan9
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.

dengan model Quadratic
Trend.

11/11/14

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
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

11/11/14

(2)
.
3.2. Analisa Pola Musiman
Dibawah ini gambar hasil dekomposisi

dengan dua model dari data produksi
coklat:
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 10 :
Dekomposisi dengan
model Additive.
Gambar 9 : Perbandingan
de
ko
m
po
sis
i
de
ng
an
m
od
el
Ad
diti
ve
(1)
da
n
m
od
el
M
ulti
pli
ca
tiv
e
11
11/11/14
12
11/11/14
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.
Analisa
Forecast
dengan
Moving
Average dan
Smoothing
3.3.
1.
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
13
11/11/14
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
14
Keputusan) 11/11/14
Gambar 13 : Single
Exponential
Smoothing.
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:
1
St
=
nilai
pemulusan
eksponensial
2
St
=
nilai
pemulusan
eksponensial ganda
3
= konstanta pemulusan
4
at = perbedaan antara nilainilai pemulusan eksponensial
5
bt
=
faktor
penyesuai
tambahan = pengukuran slope suatu
kurva
6
Xt = nilai aktual pada periode t
7
m = jumlah periode ke depan
yang akan diramalkan

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
Gambar 14 : Double
Exponential
Smoothing.
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:
1
St
=
nilai
pemulusan
eksponensial
2
untuk data (0 < < 1)
3
y = konstanta pemulusan
untuk estimasi trend (0 < < 1)
4
untuk estimasi musiman (0 < < 1)
5
Xt = nilai aktual pada periode t
6
bt = estimasi trend
7
lt = estimasi musiman
8
L = panjangnya musim
9
m = jumlah periode ke depan

11/11/14

Multiplicative, maka metode peramalan
yang paling tepat untuk data ini adalah
Winters
Method
dengan
metode
memiliki dua metode yaitu Additive danAdditive pada gambar 15. Pada gambar
Multiplicative dengan hasil seperti dua15 diatas juga sudah diterangkan
peramalan untuk 4 kuartal kedepan yang
gambar dibawah ini:
ditandai garis biru.
16
11/11/14
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
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 17
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

11/11/14
= 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:
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 =
0,5. Hasil persamaan yang didapat untuk
memprediksi adalah :
18
Keputusan) 11/11/14
4. Reliability/Survival
4.1. Latar Belakang
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.
Kegiatan utama Banquet Department

Manfaat dari penelitian ini bagi tim
pada Hotel XYZ yang berada di daerah DKI manajemen adalah mempermudah dalam
Jakarta ini adalah penyediaan tempat dan pengambilan keputusan untuk membuat
persiapan untuk pelaksanaan acara yang daily worker merasa nyaman dan betah
dipesan oleh tamu. Dari persiapan (tema berdasarkan variabel yang berpengaruh
ruangan, lokasi meja dan kursi, peralatan (karena proses perekrutan pekerja butuh
tambahan, dll), pelaksanaan (melayani waktu dan biaya, serta pekerja yang masih
makan, minum dan kebutuhan tamu) baru biasanya performanya masih belum
sampai akhir acara (pembersihan ruangan bagus). Selain itu bisa juga membuat
setelah acara), Banquet Department selalukarakteristik pekerja yang cocok dan ideal
melayani dan mengorganisir supaya acara dalam pekerjaan di Banquet sehingga
tersebut lancar tanpa kendala. Karyawan membantu manajemen untuk mencari
yang dibutuhkan melebihi 300 orang dan karyawan baru yang sesuai karakteristik
terdiri dari bagian Audio/Visual, Server,tersebut.
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 19
kerjanya dibandingkan karyawan digaji
perbulan. Jadi kalau daily worker tidak
bekerja atau libur beberapa hari maka tidak
11/11/14
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
4.4. Analisis Survival
X2 :
Umur
(tahun)
X3
: Ijazah (SMK Pariwisata, SMA
Biasa, D3, S1)
Analisis survival adalah prosedurX4 : Lama kerja di Banquet

statistik untuk menganalisis data yang sebelumnya (bulan, jika 0 berarti
variabelnya adalah waktu sampai terjadinyabelum pernah) X5 : Sedang kuliah
suatu kejadian. Untuk menentukan waktu (1 untuk ya, 0 untuk tidak)
: Jumlah tanggungan
survival, terdapat tiga elemen yang perlu X6
diperhatikan yaitu :
X7 : Bagian pekerjaan (Audio/Visual,
Server, Houseman, Bartender dan
1. Time origin (titik awal)
Housekeeping)
Waktu dimulainya suatu penelitian.
Titik awal pada penelitian ini adalah X8
: Total hari kerja (hari)
tanggal daily worker mulai bekerja di
X
Banquet Department.
9
2. Ending event of interest (kejadian:
akhir)
T
Waktu kejadian yang menjadi intiot
dari penelitian. Titik akhir yang al
dimaksud pada penelitian ini adalahh
tanggal
dimana
daily
workerar
i
mengundurkan diri.
k
3. Measurement scale for the passage er
of time (skala ukuran berlalunya
ja
waktu). Dalam penelitian ini skala
le
ukuran yang digunakan adalah lama bi
h
daily worker bekerja di Banquet
d
Department dalam satuan hari.
ar
Untuk permasalahan ini, sewaktu i
1
terjadinya kejadian akhir maka obyek 0
penelitian akan selesai diteliti (daily workerja
tidak bisa direcovery ketika mengundurkanm
diri) yang artinya keputusan daily worker(h
tersebut tidak boleh dihalangi siapapun ar
menurut peraturan ditempat. Berikut ini i)
X
adalah faktor yang akan diamati dan1
mungkin signifikan terhadap keinginan0
karyawan untuk mengundurkan diri:
:
T
ot
X1 :
al
Jenis
ja
kelami
m
n (1
le
untuk
m
pria, 0
b
untuk
ur
wanita)
k
er
ja
(j
a
m
)
X11
X12
X13
X14
X15
angkutan umum)
X16 : Kelurahan
X17 : Waktu perjalanan berangkat kerja
(perkiraan dalam menit)
X18 : Waktu perjalanan pulang kerja
(perkiraan dalam menit)
: Total hari libur (hari)
: Jumlah shift pagi jam 7 (hari)
: Jumlah shift sore jam 3 (hari)
: Jumlah shift malam jam 11 (hari)
: Naik kendaraan (mobil, motor,
20
11/11/14
Alasan pemilihan variabel X diatas

berdasarkan observasi atas asumsi yang
mungkin bisa mempengaruhi niat
mengundurkan diri seperti dibawah ini:
yang membuat pekerja menganggur

X8,
X10,
X11.
Jadi
perlu
membandingkan proporsi nilai total
hari kerja dengan total hari libur.
6 Setiap beberapa minggu, shift

masing-masing
pegawai
dirubah.
Setiap shift bisa memiliki kendala bagi
sebagian orang baik dari kondisi
1 Pekerjaan Banquet memerlukan
badan maupun kesiapan waktu X12,
tenaga, keuletan dan aktif bergerak
X13. X14.
(terutama Server, Houseman dan
Audio/VIsual). Bahkan kalau acara 7 Untuk lokasi serta waktu perjalanan
antara rumah daily worker juga
yang diadakan banyak, lembur sering
diperhitungkan X16, X17, X18,
melebihi 10 jam (pernah terjadi 16
dikarenakan bisa saja perjalanan yang
jam) dan membuat lelah serta bosan
jauh atau karena macet membuat
para pekerja X9. Meski perempuan
pekerja menjadi jenuh. Dengan
diberi keringanan dalam bekerja
menggunakan kendaraan pribadi X15
(lembur tidak banyak, pulang tidak
seperti motor bisa lebih cepat sampai
terlalu malam, tidak mengangkat
dan tidak mudah terjebak macet di
barang berat), tidak sedikit yang
jalanan Jakarta dibanding mobil.
mengundurkan diri setelah beberapa
bulan X1.
Yang mempengaruhi panjang atau
2 Umur X2 dan kesibukan kuliah X5pendeknya waktu daily worker untuk
bisa juga mempengaruhi kesiapan,mengundurkan diri, bisa disimpulkan
kondisi fisik dan juga mental untukmenjadi :
bekerja,
apalagi
yang
memiliki
tanggungan X6 pasti lebih ulet dalam
1
Beban kerja yang lumayan
mencari nafkah.
berat berdasarkan uraian diatas
serta banyak waktu lemburnya
3 Ijazah X3 bisa saja mempengaruhi
(beberapa orang suka banyak
pikiran seseorang (misalnya susah
lembur terutama yang berkeluarga).
mencari kerja dengan ijazah SMA
Ini memberikan efek panjangnya
atau ada ijazah S1 buat apa kerja
waktu
karena
daily
worker
disini?). Dikarenakan pekerjaan di
mendapatkan
banyak
pendapatan,
Banquet tidak bisa dibilang ringan, jika
tetapi
bisa
juga
berefek
pernah
bekerja
di
Banquet
memperpendek waktu karena daily
sebelumnya X4 atau ijazah SMK
worker merasa berat dan jenuh akan
Pariwisata, mungkin tidak akan kaget
pekerjaan.
dan kaku ketika bekerja karena telah
berpengalaman.
4 Pada setiap bagian pekerjaan di
21
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.
5 Daily worker dibayar kalau bekerja,
buruknya ketika tidak ada acara yang
dipesan tamu dalam beberapa hari

11/11/14
Jumlah libur yang banyak

kadang terjadi pada saat tidak
22
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.

11/11/14

Contoh Studi Kasus Structural Equation M

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Contoh Studi Kasus Structural Equation M

Diunggah oleh

Hak Cipta:

Format Tersedia

Furqon Mauladani 9114205324 furqonmauladani@gmail.

Institut Teknologi Sepuluh Nopember

1. Structural Equation Modeling (SEM)

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Institut Teknologi Sepuluh

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Pelayanan pengiriman cepat dan tanggap sewaktu ada

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Dari data diatas menunjukkan jumlah

Maka dari itu, studi kasus ini

Institut Teknologi Sepuluh

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Dengan nilai vektor keadaan awal sebagai berikut :

Dari data diatas terlihat penurunan

Berdasarkan tabel 6 diatas, maka dari itu

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

yang menggunakan produk eyeliner dalam

Gambar 2 : Diagram pie probabilitas masingmasing merek eyeliner pada kondisi

Dibawah ini adalah tabel probailitas

n = tahun yang mau

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Institut Teknologi Sepuluh

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Berikut ini gambar Time Series Plot dari

Gambar 4 : Time Series

Institut Teknologi Sepuluh

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

3.1. Analisa Tren

Gambar 5 : Analisa tren

Gambar 6 : Analisa tren

Institut Teknologi Sepuluh

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Pada data ini terdapat tren yang

Gambar 8 : Residual plot

Institut Teknologi Sepuluh

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

3.2. Analisa Pola Musiman

Dibawah ini gambar hasil dekomposisi

Analisa ini (decomposition) digunakan

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Single Moving Average :

Double Moving Average :

: nilai ramalan untuk periode berikutnya

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Jika data Xt-n tidak tersedia, dapat diganti

: nilai ramalan untuk periode berikutnya

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Persamaan untuk membuat peramalan

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Persamaan untuk peramalan pada periode

Institut Teknologi Sepuluh

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Gambar 16 : Winters Method

Dikarenakan pada Winters Method

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

3.4. Auto Regressive

Institut Teknologi Sepuluh

= variabel dependen pada periode ke-t

Pertama data pada kolom Jumlah (Yt)

Gambar 17 : Data dari

Data pada kolom Jumlah diregresikan

Furqon Mauladani 9114205324 furqonmauladani@gmail.com

Dari gambar diatas terlihat hasil dari

Furqon Mauladani 9114205324 furqonmauladani@gmail.com