com
DAFT
AR 1
ISI
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.
KELOMPOK
VARIABEL
Tangible (yang
terlihat)
X1
Reliability
(keandalan)
X2
Responsivenes
s
(ketanggapan)
3
Institut Teknologi Sepuluh Nopember
Kondisi paket pengiriman produk rapih
Surabaya - MMT (Analisa Sistem
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
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.
2. Markov Chain
Merek
Wardah
Maybelline
Oriflame
Sariayu
L'Oreal
L'Oreal
2
0
Pemakai saat ini
15
19
Tabel 5 : Data perpindahan merek
(brand switching) tahun 2013 ke
2014.
x(0)
0,15
0,19
0,08
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.
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
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
Institut Teknologi Sepuluh
Nopember Surabaya - MMT
Gambar 2 dibawah ini adalah survei
(Analisa Sistem Keputusan)
keseluruhan dari masing-masing pelanggan
11/11/14
0,1513
0,1513
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.
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.
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
Gambar 7 : Analisa tren
dengan model Growth
Curve.
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
Institut Teknologi Sepuluh
Nopember Surabaya - MMT
(Analisa Sistem Keputusan)
11/11/14
12
Institut Teknologi Sepuluh
Nopember Surabaya - MMT
(Analisa Sistem Keputusan)
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
Ft+1
Xt
n
13
Institut Teknologi Sepuluh
Nopember Surabaya - MMT
(Analisa Sistem Keputusan)
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 :
Ft+1
Ft
Xt
14
Institut Teknologi Sepuluh Nopember
Surabaya - MMT (Analisa Sistem
Keputusan) 11/11/14
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
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
16
Institut Teknologi Sepuluh
Nopember Surabaya - MMT
(Analisa Sistem Keputusan)
11/11/14
Gambar 15 : Winters
Method dengan metode
Additive.
Yt
Yt -4
Gambar 18 : Hasil
regresi Jumlah dengan
AR(4).
18
Institut Teknologi Sepuluh Nopember
Surabaya - MMT (Analisa Sistem
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.
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.
X2 :
Umur
(tahun)
X3
: Ijazah (SMK Pariwisata, SMA
Biasa, D3, S1)
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
Institut Teknologi Sepuluh
Nopember Surabaya - MMT
(Analisa Sistem Keputusan)
11/11/14