Analisis Kebutuhan
Analisis Kebutuhan
Puji syukur penulis panjatkan kehadirat Allah SWT karena berkat rahmat
dan karunia-Nya penulis dapat menyelesaikan penyusunan proposal skripsi yang
berjudul “Klasifikasi ABC dengan Multi-kriteria Menggunakan Ng-Model untuk
Pengendalian Persediaan”.
Penulis tak lupa mengucapkan terima kasih kepada Eto Wuryanto Drs.,
DEA selaku dosen mata kuliah Teori Pengambilan Keputusan, yang dengan sabar
dan ikhlas membimbing dan memberikan ilmunya kepada penulis sampai akhir
diselesaikannya metodologi penelitian ini. Penulis juga berterima kasih kepada
orang tua, keluarga, orang terdekat, dan teman-teman S1 Sistem Informasi 2016,
dan pihak-pihak yang telah memberikan semangat dan dukungannya kepada
penulis.
Penulis menyadari bahwa dalam penyusunan tugas ini banyak terdapat
kekurangan, untuk itu penulis senantiasa bersedia dan terbuka dalam menerima
saran serta kritik yang bersifat membangun demi kesempurnaan tugas ini. Semoga
tugas ini dapat memberikan manfaat dan wawasan yang berguna, Amin.
i
DAFTAR ISI
Halaman
KATA PENGANTAR ........................................................................................................ i
DAFTAR ISI...................................................................................................................... ii
BAB I .................................................................................................................................. 7
PENDAHULUAN ............................................................................................................. 7
ii
3.6.2. Evaluasi Model Struktural (Inner Model) ................................................. 29
3.7. Analisis Hasil .................................................................................................... 30
3.8. Penyusunan Rekomendasi................................................................................. 30
3.9. Waktu Penelitian ............................................................................................... 30
DAFTAR PUSTAKA ...................................................................................................... 32
iii
DAFTAR GAMBAR
iv
DAFTAR TABEL
v
DAFTAR PERSAMAAN
vi
BAB I
PENDAHULUAN
BAB II
TINJAUAN PUSTAKA
2.1. Data
Data yang digunakan dalam penelitian ini adalah sebagai berikut:
Kode Nama Obat Harga Beli Harga Jual Sisa Persediaan Jml Pesan Jml Terjual HB setahun HJ setahun
G37 METFORMIN 500 mg 18150 19965 172 800 737 14520000 14714205
METHYLPREDNISOLONE
G39 44055 48460,5 47 153 113 6740415 5476036,5
4 mg
METHYLPREDNISOLONE
G40 141167 155283,7 2 21 24 2964507 3726808,8
16 mg
SPIRONOLACTION 100
G60 340918 375009,8 5 48 48 16364064 18000470,4
mg
A26 IKALEP TAB 123750 136125 302 809 517 100113750 70376625
2.3.
Difusi Inovasi terdiri dari dua padanan kata yaitu difusi dan inovasi mendefinisikan
difusi sebagai proses dimana inovasi dikomunikasikan melalui suatu perantara khusus yang
dimana terjadi dalam jangka waktu tertentu di antara para anggota suatu lingkungan sosial
(Rogers, 2003) Diffusions of Innovations (DOI) berkontribusi dengan meneliti inovasi dan
keberhasilan diseminasi mereka melalui lebih banyak Indikator perilaku konsumen yang tepat
(Rogers, 2003). Penelitian tentang teori ini menunjukkan bahwa inovasi adalah elemen vital
(Zhao & de Pablos, 2011)
a. Metode Observasi
Metode observasi yaitu pengamatan dan pencacatan secara sistematik terhadap gejala yang
tampak pada objek penelitian. Observasi adalah kegiatan pemusatan perhatian terhadap
suatu objek dengan menggunakan seluruh alat indera (Dr. Ahmad Tanzeh, 2009).
b. Metode Wawancara
Teknik wawancara merupakan salah satu teknik pengumpulan data yang dilakukan dengan
cara mengadakan tanya jawab, baik secara langsung maupun tidak langsung secara
bertatap muka (personal face to face interview) dengan sumber data (responden) (Dr.
Riduwan, 2003).
c. Metode Angket atau kuesioner
Kuesioner adalah suatu alat pengumpul informasi dengan cara menyampaikan sejumlah
pertanyaan tertulis untuk menjawab secara tertulis pula oleh responden (Margono, 2004).
Tujuan penyebaran angket ialah mencari informasi yang lengkap mengenai suatu masalah
dari responden tanpa merasa khawatir bila responden memberikan jawaban yang tidak
sesuai dengan kenyataan dalam pengisian daftar pertanyaan.
d. Metode Dokumentasi
Dokumentasi yaitu mengumpulkan data dengan melihat atau mencatat suatu laporan yang
sudah tersedia. Dalam penerapan metode dokumentasi ini, biasanya peneliti menyusun
instrument dokumentasi dengan menggunakan check list terhadap beberapa variabel yang
akan didokumentasikan (Dr. Ahmad Tanzeh, 2009).
b) Instrumen Pengumpulan Data
Suatu penelitian akan berhasil apabila menggunakan instrumen, sebab data yang
diperlukan untuk menjawab pertanyaan penelitian (masalah) dan menguji hipotesis diperoleh
dari instrumen. Dalam sebuah penelitian, menyiapkan sebuah instrumen penelitian merupakan
suatu keharusan. Kualitas data sangat menentukan kualitas penelitian dan kualitas data
tergantung dari instrumen yang digunakan untuk mengumpulkan data penelitian.
Berdasarkan metode pengumpulan data diatas maka penulis menggunakan instrumen
sebagai berikut:
a. Pedoman observasi
Alat bantu yang digunakan peneliti ketika mengumpulkan data melalui pengamatan dan
pencatatan secara sistematis terhadap fenomena yang diselidiki.
b. Pedoman wawancara
Alat bantu yang berisi daftar pertanyaan yang telah disusun peneliti untuk dinyatakan
kepada responden.
13
c. Pedoman angket
Alat bantu untuk mengumpulkan data yang berupa daftar angket.
berhubungan dengan variabel penelitian (Iskandar, 2008). Skala likert adalah skala yang mudah
digunakan. Skala likert menggunakan beberapa butir pertanyaan untuk mengukur perilaku
individu dengan merespon beberapa titik pilihan pada setiap pertanyaan (Likert, 1932).
Kemudahan penggunaan skala likert menyebabkan skala ini banyak digunak oleh para peneliti,
namun kemudahan tersebut harus diperhatikan dengan hati-hati agar analisis lanjutan terhadap
butir-butir respon tepat. Permasalahan yang sering terjadi adalah kebingungan dalam
penggolongan skala likert ke dalam dua skala pengukuran yang berbeda, yaitu diantara ordinal
dan interval.
Untuk menentukan skala pengukuran ada beberapa persyaratan yang harus dipenuhi agar
skala pengukuran dapat berfungsi efektif, antaralain:
1. Tiap poin dalam skala harus mencakup seluruh rangkaian pengukuran.
2. Titik poin harus tampak ordinal, maju dari satu ujung kontinum ke ujung yang lain dan
makna titik yang berdekatan tidak boleh tumpang tindih.
3. Tiap responden harus memiliki pemahaman tentang makna tiap titik poin pada skala.
4. Peneliti dan responden harus memiliki pemahaman yang sama tentang makna tiap titik.
Skala yang panjang lebih sering digunakan untuk memaksimalkan validitas dan realibilitas,
namun terkadang semakin panjang skala, responden semakin bingung untuk memetakan
jawabannya (Krosnick & Presser, 2009). Dalam penelitian yang dilakukan oleh (Viandhy,
Okta, & Ratnasari, 2014), digunakan skala likert dengan empat tingkatan dengan
menghilangkan jawaban tengah (netral). Menurut Azwar (1997) hal ini dilakukan dengan
alasan:
1. Jawaban netral memiliki penafsiran ganda.
2. Jawaban netral tidak memberikan ketegasan pendapat responden ke arah setuju atau tidak
setuju.
3. Responden memiliki kecenderungan memilih jawaban netral.
2.7. Kuesioner
Terdapat beberapa metode untuk pengumpulan data, salahsatunya adalah kuesioner.
Kuesioner merupakan teknik pengumpulan data yang efisien bila peneliti tahu dengan pasti
variabel yang akan diukur. Kuesioner adalah dilakukan dengan cara menyampaikan sejumlah
pertanyaan tertulis untuk menjawab secara tertulis pula oleh responden (Margono, 2004).
Tujuan penyebaran angket ialah mencari informasi yang lengkap mengenai suatu masalah dari
responden tanpa merasa khawatir bila responden memberikan jawaban yang tidak sesuai
dengan kenyataan dalam pengisian daftar pertanyaan.
15
(endogen) atau seberapa besar pengaruhnya. Berikut ini kriteria penilaian PLS pada model
struktural menurut (Ghozali, 2016). Rangkuman evaluasi inner model dapat dilihat pada tabel
2.3.
Tabel 2.2 Rangkuman Evaluasi Inner Model
Kriteria Penjelasan
R2 untuk Hasil R2 sebesar 0.67, 0.33, dan 0,19 untuk variabel laten
variabel laten endogen dalam model struktural mengindikasikan bahwa
endogen model “kuat”, “moderat”, dan “lemah” (Chin, 1998).
Estimasi Nilai estimasi untuk hubungan jalur dalam model
koefisien jalur struktural harus signifikan. Nilai signifikansi ini dapat
diperoleh dengan prosedur bootsrapping
f2 untuk effect Nilai f2 sebesar 0.02, 0.15, dan 0.35 dapat diintrepretasikan
size apakah predictor variabel laten mempunyai pengaruh yang
lemah, medium, atau besar pada tingkat structural
Q2 predictive Nilai Q2 > 0 dapat menunjukkan bahwa model memiliki
relevance predictive relevance dan sebaliknya jika nilai Q2 < 0
menunjukkan bahwa model kurang memiliki predictive
relevance.
Model Fit Kriteria SRMR digunakan untuk menilai fit indexes yang
sesuai. Nilai SRMR pada umumnya kurang dari 0,05 sudah
menunjukkan kecocokkan yang dapat diterima. Untuk
model jalur PLS, nilai SRMR kurang dari 0,08 tampak
lebih memadai (Henseler, Hubona, & Ray, 2016).
pengumpulan data untuk dilakukan uji pretest, purifikasi konstruk, pengumpulan data baru,
uji reliabilitas, uji validitas, tentukan skor pengukuran konstruk. Delapan tahap tersebut
harus dilewati dalam konseptualisasi model.
b. Menentukan metoda analisis algoritma
Model penelitian yang telah melewati tahapan konseptualisasi model selanjutnya harus
ditentukan metoda analisis algoritma apa yang akan digunakan untuk estimasi model.
Setelah peneliti menentukan metoda analisis algoritma serta skema yang akan digunakan,
selanjutnya peneliti harus menentukan jumlah sampel yang harus dipenuhi.
c. Menentukan metoda resampling
Pada umumnya terdapat 2 metoda yang digunakan peneliti untuk melakukan proses
resampling yaitu, bootstrapping dan jackknifing.
Jackknifing hanya menggunakan subsampel dari sampel asli yang dikelompokkan
dalam grup untuk melakukan resampling kembali. Sedangkan bootstrapping menggunakan
seluruh sampel asli untuk melakukan resampling.
d. Menggambar diagram jalur
Setelah melakukan tahapan konseptualisasi model sampai dengan tahapan metoda
resampling, langkah selanjutnya adalah menggambar diagram jalur dari model yang akan
diestimasi tersebut.
e. Evaluasi model
Setelah menggambar diagram jalur, maka model siap untuk diestimasi dan dievaluasi
hasilnya secara keseluruhan. Evaluasi model menggunakan program SmartPLS3.0 dapat
dilakukan dengan menilai hasil pengukuran model (measurement model) yaitu melalui
analisis faktor konfirmatori atau confirmatory factor analysis (CFA) dengan menguji
validitas dan reliabilitas konstruk laten. Kemudian dilanjutkan dengan evaluasi model
struktural dan pengujian signifikansi untuk menguji pengaruh antar konstruk atau variabel.
BAB III
METODE PENELITIAN
Perancangan kuesioner
Analisis hasil
Penyusunan rekomendasi
Compatibility
Perceived
Usefulness
Confirmation Statisfaction
Perceived
Ease of Use
Trialibility
22
H5: Perceived Ease of Use memberikan dampak positif terhadap manfaat yang
diterima konsumen dalam menggunakan aplikasi E-Wallet
H6: Perceived Ease of Use memberikan dampak positif terhadap kepuasan
pengguna aplikasi E-Wallet
23
Compatibility tidak hanya memiliki efek positif yang signifikan terhadap persepsi
kegunaan tetapi juga pada persepsi kemudahan penggunaan.
korelasi positif yang signifikan ada antara Compatibility dan Perceived Usefulness.
(Joia et al. 2001) menemukan tautan dari Compatibility ke Satisfaction dengan
Sistem electronic broker.
H7: Compatibility memberikan dampak positif terhadap manfaat yang diterima
konsumen dalam menggunakan aplikasi E-Wallet
H8: Compatibility memberikan dampak positif terhadap kepuasan pengguna
aplikasi E-Wallet
H9: Trialability memberikan dampak positif terhadap kepuasan pengguna aplikasi
E-Wallet
of Use juga diukur menggunakan 4 item pengukuran yang diadopsi dari penelitian
yang dilakukan oleh (Brown, Cajee, Davies, & Stroebel, 2003) dan Variabel
Trialability juga diukur menggunakan 4 item pengukuran yang diadopsi dari
penelitian yang dilakukan oleh (Bhattacherjee, 2001).
untuk menghitung frekuensi data, setelah itu baru diolah dengan menggunakan
SmartPLS. SmartPLS merupakan software yang dapat digunakan untuk
menganalisis hubungan yang didefinisikan oleh model teoritis. Peneliti melakukan
analisis dengan metode PLS-SEM karena dalam penelitian ini menggunakan
indikator untuk mengukur setiap variabel latennya, model pengukuran bersifat
struktural, dan juga memiliki tujuan untuk orientasi prediktif hubungan antar
variabel.
SmartPLS 3.0 dapat dilihat dari nilai nilai loading factor untuk tiap
indikator konstruk. Rule of thumb yang biasa digunakan untuk menilai
validitas konvergen adalah nilai loading factor harus lebih dari 0,7 serta
nilai average variance extracted (AVE) harus lebih dari 0,5. Namun, untuk
penelitian tahap awal dari pengembangan skala pengukuran, nilai loading
factor 0,5-0,6 masih dianggap cukup (Chin, 1998).
c. Uji Validitas Diskriminan
Validitas diskriminan berhubungan dengan prinsip bahwa pengukur-
pengukur (manifest variable) dari suatu konstruk yang berbeda seharusnya
tidak berkorelasi tinggi. Cara untuk menguji validitas diskriminan adalah
dengan melihat nilai cross-loading antar indikator dengan konstruknya dan
dengan membandingkan akar kuadrat dari AVE untuk setiap konstruk
dengan nilai korelasi antar konstruk dalam model. Validitas diskriminan
yang baik ditunjukkan dari akar kuadrat AVE untuk tiap konstruk lebih
besar dari korelasi antar konstruk dalam model (Fornell & Larcker, 1981).
3.6.2. Evaluasi Model Struktural (Inner Model)
SmartPLS digunakan untuk menguji model struktural karena pendekatan
berbasis komponen ini tidak hanya menempatkan tuntutan minimal pada ukuran
sampel dan distribusi residu, tetapi juga dapat menangani konstruksi formatif dan
reflektif. Penilaian kualitas model PLS didasarkan pada kemampuannya
memprediksi konstruk endogen. Pengujian terhadap model struktural dilakukan
dengan melihat R-Squares (coefficient of determination), Q-Squares (cross-
validated redundancy), coeffisient path, f-Squares (the effect size), dan SRMR
(standardized root mean square residual) untuk uji model fit. Hasil R-Squares
menunjukkan bahwa konstruk endogen dapat diterima apa tidak. Q-Squares
digunakan untuk menilai relevansi prediktif model struktural. Hasil f-Squares
didapatkan dengan mencatat perubahan dalam R-Squares ketika suatu konstruksi
tertentu dihilangkan dari model. Penelitian ini menggunakan kriteria SRMR
(standardized root mean square residual) untuk menilai model fit yang sesuai
dengan nilai kurang dari 0,08 (Henseler, Hubona, & Ray, 2016).
30
Analisis
Hasil
Penelitian
Sidang
Skripsi
Pengumpula
n Laporan
DAFTAR PUSTAKA
(t.thn.).
Brown, I., Cajee, Z., Davies, D., & Stroebel, S. (2003). Cell phone banking: predictors of
adoption in South Africa—an exploratory study. International Journal of
Information Management, 381-394.
Chen, A., Lu, Y., & Wang, B. (2017). Customers' Purchase Decision-Making Process in
Social Commerce: A Social Learning Perspective. International Journal of
Information Management 37, 627-638.
Chen, A., Lu, Y., Wang, B., Zhao, L., & Li, M. (2013). What Drives Content Creation
Behavior on SNSs? A Commitment Perspective. Journal of Business Research, 66,
2529-2535.
Chen, S.-C., Liu, M.-L. L., & Liu, C.-P. (2013). Integrating Technology Readiness into the
Expectation–Confirmation Model: An Empirical Study of Mobile Services.
CYBERPSYCHOLOGY, BEHAVIOR, AND SOCIAL NETWORKING, 604-612.
Chena, S.-C., Yen, D. C., & Peng, S.-C. (2017). Assessing the impact of determinants in e-
magazines acceptance: An empirical study. Computer Standars and Interfaces, 1-
10.
Cheung, R., & Vogel, D. (2013). Predicting user acceptance of collaborative technologies:
An extension of the technology acceptance model for e-learning. Computers and
Education, 160-175.
Chin, W. W. (1998). The Partial Least Squares Approach for Structural Equation
Modeling. London: Lawrence Erlbaum Associates.
Fornell, C., & Larcker, D. F. (1981). Evaluating Structural Equation Models with
Unobservable Variables and Measurement Error. Journal of Marketing Research,
18, 39-50.
33
Ghozali, I. (2016). Konsep, Teknik, dan Aplikasi Menggunakan Program SMARTPLS 3.0.
Universitas Diponegoro.
Hair, J. F., Sarstedt, M., Hopkins, L., & Kuppelwieser, V. G. (2014). Partial Least Square
Structural Equation Modeling (PLS-SEM): An Emerging Tool in Business
Research. European Business Review, 26(2), 106-121.
Henseler, J., Hubona, G., & Ray, P. A. (2016). Using PLS path modeling in new technology
research: updated guidelines. Industrial Management & Data Systems 116(1)', 2-
20.
Krosnick, J. A., & Presser, &. S. (2009). Question and Questionnaire Design. San Diego:
CA: Elsevier.
Lee, Y., & Kozar, K. A. (2009). Designing Usable Online Stores: A Landscape Preference
Perspective. Information & Management, 46, 31-41.
Lee, Y., Chen, A. N., & Ilie, V. (2012). CAN ONLINE WAIT BE MANAGED? THE EFFECT OF
FILLER INTERFACE AND PRESENTATION MODES ON PERCEIVED WAITING TIME
ONLINE. MIS Quarterly, 36(2), 365-394.
Mainwaring, M., Anderson, S., & Chang, K. (2005). What's in Your Wallet? Implications
for Global E-Wallet Design. Late Breaking Results: Posters, 1613-1616.
Oh, H. (1999). Service quality, customer satisfaction, and customer value: A holistic
perspective. International Journal of hospitality Management, 67-82.
Oliviera, T., Thomas, M., Bapista, G., & Campos, F. (2016). Mobile payment:
Understanding the determinants of customer adoption and intention to
recommend the technology. Computers in Human Behaviour, 404-414.
Park, M., Jun, J., & Park, H. (2017). Understanding Mobile Payment Service Continous
Use Intention: An Expectation-Confirmation Model and Inertia. Quality
Innovation Prosperity, 78-94.
Salodkar, A., Morey, K., & Shirbhate, M. (2015). Electronic Wallet. International Research
Journal of Engineering and Technology (IRJET), 975-977.
Viandhy, Okta, A., & Ratnasari, R. T. (2014). Pengaruh Kualitas Layanan Terhadap Niat
Ulang Dengan Menggunakan Produk yang Melalui Kepercayaan Nasabah Bank
Syariah Mandiri. Jestt 1, 546-564.