JUDUL TA: PENENTUAN NILAI MARKUP PADA PROYEK-PROYEK KONSTRUKI MENGGUNAKAN DUMMY NAMA MAHASISWA: DWITYA DHANURENDRA 3107 100 022 BAB I PENDAHULUAN
1.1 LATAR PERMASALAHAN
BELAKANG
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?
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
STUDI LITERATUR
1.3 TUJUAN Tujuan penelitian ini adalah:
PERANCAN GAN KUESIONER
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.
PENGUMPU LAN DATA PRIMER (SURVEY)
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 menjadi refrensi/rujukan 2. Dapat penelitian berikutnya
ANALISA DATA (REGRESI DUMMY)
PENETAPA N POPULASI & SAMPEL PENELITIA N JIKA MEMUNGKI NKAN DILENGKAPI DENGAN DATA SEKUNDER
UJI SERENTAK KEBAIKAN MODEL REGRESI STEPWIS E
DIDAPATK AN MODEL PREDIKSI YANG PALING SIGNIFIKA KESIMPUL N AN DAN SARAN
85% DATA UNTUK TRAINING , 15% DATA UNTUK TESTING
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 markup, 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. Kriteriakriteria yang digunakan diambil dari penelitian oleh Dozzi dan Abourizk (1996) dan Ahmad dan minkahar (1988). 4. Merancang kuesioner yang berisi kriteriakriteria 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.
sisanya 4 orang pada pengalaman < 1 tahun dan 2-5 tahun.
4.1.1 Jabatan
Jabatan 4.1.3 Tipe proyek project manager
25%
Tipe proyek
estimator 75%
Gedung 20%
Jalan
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.
Jembatan 80% Saluran drainase
Gambar 4.3 chart Tipe proyek
4.1.2 Pengalaman proyek
Pengalaman proyek
Dari chart dilihat, berdasarkan tipe proyek, 80% adalah proyek gedung dan 20% proyek jalan. 4.1.4 Identitas owner
13%
< 1 tahun
25% 13%
2-5 tahun 6-10 tahun
Identitas Owner
> 10 tahun 50% 37%
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,
Pemerintah 63%
Swasta
Gambar 4.4 chart Identitas owner
Dari chart dilihat, berdasarkan identitas owner 63% adalah proyek milik pemerintah dan 37% proyek milik swasta. 4.1.5 Kompleksitas proyek
berdurasi 3-10 bulan, 17% berdurasi 17-25 bulan.
4.2 Pengolahan Data Kuisioner 4.2.1 Data Kuisioner
Kompleksitas Proyek Sangat tinggi
34%
Tinggi Rendah
66%
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.
Sangat rendah
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
Durasi Proyek 17% 40%
3-10 bulan 10-17 bulan
43%
17-25 bulan
, Gambar 4.6 chart Durasi proyek
Dari chart dilihat, berdasarkan durasi proyek sebanyak 43% berdurasi 10-17 bulan, 40%
R
N E D
PT.1 PT.2 PT.3 PT.4 PT.5 PT.6 PT.7 PT.8 PT.9 PT.10 PT.11 PT.12 PT.13 PT.14 PT.15 PT.16 PT.17 PT.18 PT.19 PT.20 PT.21 PT.22 PT.23 PT.24 PT.25 PT.26 PT.27 PT.28 PT.29 PT.30 PT.31 PT.32 PT.33 PT.34 PT.35
E
N O SP
9.874 83 2.25 4.74 27.263 16.728 65.909 9.619 12.924 12.272 45 15 160 35 384 10 200 75 15 120 25 105 170 80 120 70 150 25 25 25 100 20 80 11 150
Ukuran Proyek (Dalam Milyar)
Mudah Dijangkau Mudah Dijangkau Mudah Dijangkau Mudah Dijangkau Mudah Dijangkau Mudah Dijangkau Mudah Dijangkau Mudah Dijangkau Sulit Dijangkau Sulit Dijangkau Sulit dijangkau Sulit dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Sangat mudah dijangkau Mudah dijangkau Sulit dijangkau Mudah dijangkau Sangat mudah dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Sulit dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Mudah dijangkau Sulit Dijangkau
lokasi Proyek
Baik Buruk Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Buruk Buruk Baik Baik Baik Buruk Baik Baik
Kondisi Pasar
5-10 <5 <5 <5 5-10 5-10 5-10 <5 <5 10-20 10-20 10-20 5-10 >20 <5 >20 <5 <5 5-10 5-10 5-10 5-10 5-10 5-10 5-10 <5 5-10 5-10 >20 >20 5-10 <5 >20 >20 5-10
Jumlah Kompetitor Tender
Gedung Gedung Gedung Gedung Gedung Jalan Gedung Gedung Gedung Gedung Jalan Jalan Gedung Gedung Gedung Gedung Gedung Gedung Gedung Jalan Gedung Gedung Gedung Gedung Gedung Gedung Jalan Jalan Gedung Gedung Gedung Gedung Gedung Gedung Jalan
Tipe Proyek
JENIS PROYEK : GEDUNG / JALAN / JEMBATAN / SALURAN DRAINASE VARIABEL
3 7 3 4 9 3 11 4 5 10 15 5 25 10 25 5 25 15 10 10 10 15 20 15 20 10 11 12 12 12 6 6 17 8 9
5%-10% 5%-10% 5%-10% 5%-10% 5%-10% 5%-10% 5%-10% 5%-10% >10% >10% 5%-10% 5%-10% 2%-5% 2%-5% 2%-5% 5%-10% <2% 2%-5% 2%-5% 5%-10% 2%-5% 2%-5% 2%-5% 2%-5% 2%-5% <2% 5%-10% >10% 5%-10% 5%-10% 5%-10% 2%-5% 5%-10% 5%-10% 5%-10%
Durasi Pelaksanaan Overhead Rate (Dalam Bulan) (Dalam %)
Beban Kerja Perusahaan yang Dikerjakan Banyak Sedang Sedang Sedang Sedang Sedang Sedang Sedang Banyak Sedang Banyak Sedang Sedang Sedang Sedang Sedang Sedikit Sedang Sedang Sedang Sedang Sedang Sedang Sedang Sedang Sedang Banyak Banyak Banyak Banyak Banyak Sedang Banyak Sedang Banyak > 30 10-20 >30 >30 >30 >30 >30 >30 >30 10-20 10-20 20-30 <10 20-30 10-20 20-30 10-20 <10 20-30 10-20 10-20 10-20 10-20 10-20 10-20 10-20 >30 <10 >30 >30 >30 10-20 10-20 20-30 20-30
Buruh Lokal yang Tersedia Tinggi Tinggi Rendah Rendah Tinggi Tinggi Tinggi Rendah Tinggi Tinggi Tinggi Rendah Tinggi Tinggi Tinggi Rendah Tinggi Tinggi Rendah Tinggi Rendah Tinggi Tinggi Tinggi Rendah Rendah Rendah Tinggi Tinggi Tinggi Tinggi Rendah Tinggi Rendah Tinggi
Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik Baik
17.43 14.55 15.13 14.18 15.18 15.68 18.43 17.18 18.08 14.68 27.5 25 25 26 27.5 25 12.5 30 15 25 25 15 30 12.5 30 15 30 20 24 18 30 17.35 22 20 24
Mark Up (Dalam %)
sumber: perusahan-perusahan kontraktor di Jakarta (PT)
Pemerintah Swasta Swasta Swasta Swasta Pemerintah Swasta Pemerintah Pemerintah Pemerintah Pemerintah Pemerintah Pemerintah Pemerintah Pemerintah Pemerintah Swasta Pemerintah Swasta Pemerintah Pemerintah Swasta Pemerintah Swasta Pemerintah Swasta Swasta Pemerintah Pemerintah Pemerintah Swasta Swasta Pemerintah Pemerintah Pemerintah
Kompleksitas Hubungan Identitas Owner Proyek Dengan Owner
6
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%. Didapatkan hasil survey “Identifikasi MarkUp pada Kontraktor Jakarta” dengan responden berjumlah 35, dengan jenis proyek yang ditinjau diantaranya gedung, jalan, jembatan, dan saluran drainase.
Berikut dibawah ini adalah tabel keseluruhan data kuisioner 35 responden tersebut.
Tabel 4.1 Tabel data kuisioner
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.
4.3 Analisa dan Menggunakan Minitab
Pengolahan
Data
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 + X6_2 + 2.08 X6_3 + 9.28 X7_1 + X7_2 + 6.05 X7_3 - 7.8 X8_2 X8_3 + 3.01 X9_1 + 6.53 X9_2 X9_3 - 5.95 X10_2 + 7.97 X11_1
0.39 8.02 10.6 0.26
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 d Source SS MS b Regressi 2 40.9 942.65 on 3 8 Residual 17.5 6 105.11 Error 2 2 1047.7 Total 9 6
F
P
2.3 4
0.14 7
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 (pvalue < 0.05). 1. Stepwise : klik menu Stat-RegressionStepwise
8
Masukkan variabel respon (mark up) pada bagian “response” dan variabel 8redictor pada bagian “predictors”.
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
Gambar 4.9 input stepwise Berikut adalah out put yang dihasilkan :
Step 16 0.000 0.003 0.036
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. Probability Plot of RESI2 Normal
0.007
99
Mean StDev N KS P-Value
95 90 80
Percent
Tabel 4.3 Nilai P-value Pada Metode Stepwise Variabel Step Step Step 13 14 15 X1_1 0.000 0.000 0.000 X1_2 0.019 0.007 0.007 X1_3 X2_2 X2_3 0.042 0.066 0.074 X3_2 X4_1 X4_2 X4_3 X5_1 X6_1 0.012 0.008 0.012 X6_2 X6_3 X7_1 X7_2 0.111 0.325 Tabel 4.4Nilai P-value Pada Metode Stepwise (lanjutan) Variabel Step Step Step 13 14 15 d 0.195 X8_2 0.106 0.238 0.227 X9_1 0.181 0.115 0.029 X9_2 0.042 0.014 0.010 X9_3 X10_2 0.001 0.001 0.001 X11_1 0.000 0.000 0.000
Persamaan regresi yang didapatkan adalah sebagai berikut :
Step 16
70 60 50 40 30 20 10 5
1
0.010 0.010 0.001 0.000
-5.0
-2.5
0.0 RESI2
2.5
Gambar 4.10 Uji normalitas
5.0
-6.39488 2
0 >0
Residual Plots for Y Normal Probability Plot
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.
Residual
50
2.5 0.0 -2.5
10 -5.0
-2.5
0.0 Residual
2.5
-5.0
5.0
10
15
Histogram
30
5.0
6
Residual
Frequency
20 25 Fitted Value
Versus Order
8
4
2.5 0.0 -2.5
2 0
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
5.0
90
1
Selanjutnya adalah uji asumsi independen dengan menggunakan indikator VIF. Hasilnya bisa dilihat pada tabel di bawah ini :
Versus Fits
99
Percent
P-value yang lebih besar dari 0.05 mengindikasikan bahwa asumsi normalitas telah terpenuhi. Hal ini berarti data penelitian berdistribusi normal.
-4
-2
0 Residual
2
4
-5.0
2
4
6
8 10 12 14 16 18 20 22 24 26 28 30
Observation Order
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 d Source SS MS b Regressi 1 67.7 880.33 on 3 2 Residual 1 10.4 167.43 Error 6 6 2 1047.7 Total 9 6
F
P
6.4 7
0.00 0
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 Variab el X1_1 X1_2 X1_3 X2_2 X2_3 X6_1 X6_2 X6_3 X9_1 X9_2 X9_3
Total Sum Sum Square Square Sequenti Sequentia al l 191.74 34.67 228.93 2.52 40.27 40.59 0.32 102.74 0.12 157.5 54.64 11.74 174.06 186.61 0.81
X10_2
53.62
53.62
X11_1
213.07
213.07
l
Keputus an
21.886 23
3.2 4
Signifik an
3.8804 97
3.6 3
Signifik an
15.057 36
3.2 4
Signifik an
17.840 34
3.2 4
Signifik an
5.1261 95 20.369 98
4.4 9 4.4 9
Signifik an Signifik an
F0
Ftabe
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 :
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
1. klik menu Stat –RegressionRegression
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
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 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 Mark Mark Up Up 𝑌𝑖 − 𝑌𝑖 Taksiran Obs Asli /(𝑌𝑖 ) (𝑌𝑖 ) (𝑌𝑖 ) 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
Dengan menggunakan persamaan diatas maka hasil perhitungan markup adalah sebagai berikut Markup = 13.4+3.15-4.36+2.13+6.015.41=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..
Rozaini, Nasution,Teknik sampling, Jurnal,USU digital library, 2003.
Singarimbun, M., dan Sofian, E., Metodologi Penelitian Survei, Jakarta, 1989.
Soeharto,Imam, Manajemen Proyek (Dari Konseptual Sampai Operasional), Jakarta, 2001.
Wahyu, 2011, Prosedur Analisis Regresi dengan Variabel Dummy, http://wahyupsy.blog.ugm.ac.id/2010/11/ 24/prosedur-analisis-regresi-denganvariabel-dummy/.
Weiss, N. A., Introductory Statistic-3rd ed. , Canada, 1991.
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,
, 2011.
Dozzi and AbouRizk, Combining RuleBased Expert Systems and Artificial Neural Networks for Mark-Up Estimation., journal of construction engineering and management,vol (17),pp 169-171,1999.
Hasan, I. 2004. Analisa Data Penelitian Dengan Statistik. Jakarta: PT Bumi Aksara.
Husen, A., Perencanaan, Pengendalian 2009.
Kountur, R, Metode Penelitian Untuk Penulisan Skripsi dan Thesis, Jakarta,2003.
Panjaitan, R.R.2010. Manajemen Dari Teori Ke Praktek. Ghalia Indonesia.
Manajemen Proyek: Penjadwalan, dan Proyek, Yogyakarta,
