Analisis Merek Eyeliner

FURQON MAULADANI (9114205324) TUGAS UAS ASK
furqon14@mhs.mmt.its.ac.id
TUGAS ANALISIS SISTEM KEPUTUSAN
NAMA : FURQON MAULADANI
NIM : 9114205324
JURUSAN : MANAJEMEN TEKNOLOGI INFORMASI
PROGRAM MAGISTER MANAJEMEN TEKNIK (MMT)
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2014

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
4.Reliability/Survival................................................. 20

1.Structural Equation Modeling (SEM)
Rima Rajut adalah sebuah usaha kecil rumahan yang melakukan produksi dan penjualan
hasil rajutan kerudung dan tas. Selain menjual barang tadi, Rima Rajut 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.
Gambar 1 : Model SEM Rima Rajut.

KELOMPOK VARIABEL PERTANYAAN
Tangible
(yang terlihat)
X1
Kondisi paketpengirimanprodukrapih
Produkmenarikdantidakketinggalanjaman
Produk berkualitasbagus
Website RimaRajutinteraktif dantidakmembingungkan
Reliability
(keandalan)
X2
Terpenuhinyasetiappemesananyangdilakukan
Produkyangdipesanselalutersediadi stok
Ketersediaaninformasi lengkaptentangprodukpadamedia
online
Responsiveness
(ketanggapan)
X3
Karyawanmelayani secararamahdan sopansetiappemesanan
maupunkeluhan
Pelayananpengirimancepatdantanggapsewaktuadapesanan
KesigapanRimaRajut dalammenangani masalahkesalahan
pengirimanmaupun produkyangcacat
Assurance
(jaminan)
X4
Produkyangdijual tidakcacat dan sesuai denganyangdipesan
Barang bisaditukarkan jikaterjadi cacatatau tidaksesuai yang
dipesan
Prosespenukaranbarangtidakberbelitdan ditanggungRima
Rajut
Emphaty
(perhatian)
X5
Siapdihubungi dari jam6 pagi sampai jam10 malam
Kemudahanuntukmenghubungi RimaRajut(Facebook,Twitter,
BBM, Whats App,SMS & telpon)
RimaRajut bisadimintai sarandanilmutentangprodukrajutan
dan cara merajut
Tabel 1 : Keterangan variabel X yang di observasi pada laten Kualitas.
VARIABEL PERTANYAAN
Y1 KesanpelangganterhadappelayanandanprodukRimaRajut
Y2 Kualitasproduksesuai harapandanharga yangdibayar
Y3 Kualitasprodukkonsistensepanjangwaktu
Y4 Seringmemesanprodukdi RimaRajut
Tabel 2 : Keterangan variabel Y yang di observasi pada laten Kepuasan.
VARIABEL PERTANYAAN
Y5 Saya tidakgengsi memakai produkRimaRajutdi acara resmi atau biasa
Y6 RimaRajut sebagai pilihanbranutamasayauntuk kerudungdantas
Y7 Saya bersediamemesandanmembeli produkRimaRajutlagi
Y8 Saya inginmerekomendasikanprodukRimaRajutkepadaoranglain
Tabel 3 : Keterangan variabel Y yang di observasi pada laten Loyalitas.

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.
No. Merek
Jumlah
Pelanggan
Persentasi
1 Wardah 15 15 %
2 Maybelline 19 19 %
3 Oriflame 8 8 %
4 Sariayu 32 32 %
5 L'Oreal 26 26 %
Total 100 100 %
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
Sariayu 4 3 0 21 5 33
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 :
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
P =
P14
=
x(0)
=

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 :
𝑋(𝑛)
= 𝑃 𝑛
𝑋(0)
 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 %
2016 14,809 % 14,669 % 6,796 % 33,793 % 29,932 %
2017 14,965 % 14,021 % 6,698 % 34,345 % 29,971 %
2018 15,061 % 13,778 % 6,686 % 34,629 % 29,846 %
2019 15,108 % 13,705 % 6,696 % 34,756 % 29,735 %
2020 15,127 % 13,692 % 6,706 % 34,805 % 29,67 %
2021 15,133 % 13,696 % 6,712 % 34,822 % 29,638 %
2022 15,134 % 13,701 % 6,715 % 34,826 % 29,624 %
2023 15,134 % 13,704 % 6,716 % 34,826 % 29,619 %
2024 15,134 % 13,708 % 6,716 % 34,825 % 29,618 %
2025 15,134 % 13,708 % 6,716 % 34,825 % 29,617 %
2026 15,134 % 13,708 % 6,716 % 34,824 % 29,618 %
2027 15,134 % 13,708 % 6,716 % 34,824 % 29,618 %
2028 15,134 % 13,708 % 6,716 % 34,824 % 29,618 %
Tabel 7 : Prediksi kedepan perpindahan merek produk eyeliner.
Dari hasil analisa tabel diatas menghasilkan kesimpulan bahwa :
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.
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 L’Oreal.

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:
Gambar 4 : Time Series Plot dari data produksi coklat.

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 6 : Analisa tren dengan model Quadratic 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 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.

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 10 : Dekomposisi dengan model Additive.

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 :
𝐹𝑡+1 =
𝑋1 + 𝑋2 + 𝑋3 + ⋯ + 𝑋𝑡
𝑛
Double Moving Average :
𝐹𝑡+1 =
𝑋𝑡 + 𝑋𝑡−1 + 𝑋𝑡−2 + ⋯ + 𝑋𝑡−𝑛+1
𝑛
 Ft+1 : nilai ramalan untuk periode berikutnya
 Xt : variabel X pada periode ke t
 n : jangka waktu Moving Average

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
𝐹𝑡+1 =
𝑋1 + 𝑋2 + 𝑋3 + ⋯ + 𝑋𝑡
𝑛
Untuk t ≥ n, maka :
𝐹𝑡+1 = 𝐹𝑡 +
1
𝑛
(𝑋𝑡 − 𝑋𝑡−𝑛)
Jika data Xt-n tidak tersedia, dapat diganti persamaan itu menjadi :
𝐹𝑡+1 = 𝛼𝑋𝑡 + (1 − 𝛼)𝐹𝑡
 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
  : konstanta pemulusan

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
𝑆′𝑡 = 𝛼𝑋1 + (1 − 𝛼)𝑆′𝑡−1
𝑆′′𝑡 = 𝛼𝑆′𝑡 + (1 − 𝛼)𝑆′′𝑡−1
𝑎 𝑡 = 𝑆′𝑡 + ( 𝑆′
𝑡 − 𝑆′′
𝑡) = 2𝑆′𝑡 − 𝑆′′𝑡
𝑏𝑡 =
𝛼
1 − 𝛼
(𝑆′
𝑡 − 𝑆′
′𝑡 )
Persamaan untuk membuat peramalan pada periode m yang akan datang adalah:
𝐹𝑡+𝑚 = 𝑎 𝑡 + 𝑏𝑡 𝑚
 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
 m = jumlah periode ke depan yang akan diramalkan

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 : 𝑆𝑡 = 𝛼
𝑋𝑡
𝐼𝑡−𝐿
+ (1 − 𝛼)(𝑆𝑡−1 + 𝑏𝑡−1)
Pemulusan tren : 𝑏𝑡 = 𝑦( 𝑆𝑡 − 𝑆𝑡−1) + (1 − 𝑦) 𝑏𝑡−1
Pemulusan musiman : 𝐼𝑡 = 𝛽
𝑋𝑡
𝑆𝑡
+ (1 − 𝛽)𝐼𝑡−𝐿
Persamaan untuk peramalan pada periode m : 𝐹𝑡+𝑚 = (𝑆𝑡 + 𝑏𝑡 𝑚)𝑙 𝑡−𝐿+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
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 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.
Dikarenakan pada Winters’ Method Additive memiliki nilai MAPE, MAD MSD yang lebih
kecil dari Winters’ Method Multiplicative, maka metode peramalan yang paling tepat untuk
data ini adalah Winters’ Method dengan metode Additive pada gambar 15. Pada gambar 15
diatas juga sudah diterangkan peramalan untuk 4 kuartal kedepan yang ditandai garis biru.

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 = 𝛽0 + 𝛽1 𝑌𝑡−4
 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).
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 α = 0,5. Hasil persamaan yang didapat untuk memprediksi adalah :
𝑌𝑡 = 268 + 1,02(𝑌𝑡−4)

4.Reliability/Survival
4.1. Latar Belakang
Kegiatan utama Banquet Department pada Hotel The XYZ 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.
Manfaat dari penelitian ini bagi tim manajemen adalah mempermudah dalam
pengambilan keputusan untuk membuat daily worker merasa nyaman dan betah berdasarkan
variabel yang berpengaruh (karena proses perekrutan pekerja butuh waktu dan biaya, serta
pekerja yang masih baru biasanya performanya masih belum bagus). Selain itu bisa juga
membuat karakteristik pekerja yang cocok dan ideal dalam pekerjaan di Banquet sehingga
membantu manajemen untuk mencari karyawan baru yang sesuai karakteristik tersebut.

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)
X6 : Jumlah tanggungan
X7 : Bagian pekerjaan (Audio/Visual, Server, Houseman, Bartender dan Housekeeping)
X8 : Total hari kerja (hari)
X9 : Total hari kerja lebih dari 10 jam (hari)
X10 : Total jam lembur kerja (jam)
X11 : Total hari libur (hari)
X12 : Jumlah shift pagi jam 7 (hari)
X13 : Jumlah shift sore jam 3 (hari)
X14 : Jumlah shift malam jam 11 (hari)
X15 : Naik kendaraan (mobil, motor, angkutan umum)
X16 : Kelurahan
X17 : Waktu perjalanan berangkat kerja (perkiraan dalam menit)
X18 : Waktu perjalanan pulang kerja (perkiraan dalam menit)

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 merasa
berat dan jenuh akan pekerjaan.

 Jumlah libur yang banyak kadang terjadi pada saat tidak 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.

Analisis Merek Eyeliner

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

More from Institut Teknologi Sepuluh Nopember Surabaya

More from Institut Teknologi Sepuluh Nopember Surabaya (18)

Recently uploaded

Recently uploaded (20)

Analisis Merek Eyeliner