PENENTUAN NILAI MARK-UP PADA PROYEK-PROYEK KONSTRUKSI MENGGUNAKAN REGRESI DUMMY. Disampaikan di : RUANG SIDANG JURUSAN TEKNIK SIPIL 17 JANUARI 2012

Transkripsi

1 PENENTUAN NILAI MARK-UP PADA PROYEK-PROYEK KONSTRUKSI MENGGUNAKAN REGRESI DUMMY Disampaikan di : RUANG SIDANG JURUSAN TEKNIK SIPIL 17 JANUARI 2012

2 MAHASISWA : DWITYA DHANURENDRA ( ) DOSEN PEMBIMBING : TRIJOKO WAHYU ADI, ST, MT, Ph.D.

3 BAB I. PENDAHULUAN LATAR BELAKANG PERMASALAHAN Pada proses tender, penawaran yang dilakukan oleh kontraktor dalam tender sangat berpengaruh untuk mendapatkan suatu proyek. Bila penawaran harga terlalu tinggi maka peluang mendapatkan proyek berkurang. Bila penawaran terlalu rendah kemungkinan kontraktor mendapat untung sangat rendah. Maka dari itu besarnya mark-up sangat berpengaruh untuk mendapatkan proyek dan tidak mengesampingkan keuntungan. Penawaran yang tepat sangat penting untuk mendapatkan peluang tender. Untuk itulah dibutuhkan adanya model prediksi untuk menentukan nilai mark-up pada proyek-proyek konstruksi.

4 RUMUSAN MASALAH TUJUAN 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? 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.

5 MANFAAT BATASAN MASALAH 1. Proyek-proyek yang ditinjau yaitu proyekproyek yang dilakukan oleh kontraktorkontraktor di Jakarta. 2. Kontraktor yang ditinjau hanya kontraktor dengan kualifikasi grade 7 dengan nilai proyek diatas 1 milyar. 1. Pengembangan keilmuan manajemen konstruksi, khususnya keilmuan cost management 2. Dapat menjadi refrensi/rujukan penelitian berikutnya

6 BAB II. TINJAUAN PUSTAKA sejumlah biaya yang ditambahkan, dalam biaya langsung proyek,pada harga penawaran untuk menutupi biaya tak langsung, yang meliputi: biaya resiko dan keuntungan proyek Faktor-faktor Pertimbangan Mark-Up Dozzi dan Abourizk Mark-up Ahmad dan Minkahar Kondisi Pasar Tipe Proyek Hubungan Dengan Owner Durasi Pelaksanaan Overhead Rate Beban Kerja Kompleksitas Proyek Lokasi Proyek Jumlah Kompetitor Tender Nilai Proyek Buruh Lokal Yang Tersedia Identitas Owner

7 Teknik sampling Menggunakan simple random sampling Sampel, Populasi dan Teknik Sampling n = Populasi Kontraktor di jakarta dengan grade 7. Dengan jumlah kontraktor grade 7= 251 kontraktor maka dengan B=0.2,didapat n= 22 Untuk memenuhi asumsi distribusi normal maka jumlah sampel dibulatkan menjadi 30, sedangkan untung validasi digunakan 5 sampel sehingga total responden adalah 35 Populasi Sampling Project Engineer dan estimator dari proyek-proyek kontraktor jakarta. N 1+ B 2

8 Regresi Linear Berganda Regresi Dummy Adapun rumus regresi linear berganda yaitu sebagai berikut: Y= ax1 + bx nxn Ada 2 pengujian dalam regresi linear berganda: 1. Uji serentak (uji F) 2. Uji individual Jika ada variabel predictor bertipe kategorik atau kualitatif maka diterapkan metode regresi dummy. Untuk menentukan banyaknya dummy digunakan rumus n-1

9 Contoh lembar kuisioner

10 PERMASALAHAN METODE PENELITIAN STUDI LITERATUR PERANCANGAN KUESIONER PENETAPAN POPULASI & SAMPEL PENELITIAN PENGUMPULAN DATA PRIMER (SURVEY) JIKA MEMUNGKINKAN DILENGKAPI DENGAN DATA SEKUNDER ANALISA DATA (REGRESI DUMMY) UJI SERENTAK KEBAIKAN MODEL METODE STEPWISE DIDAPATKAN MODEL PREDIKSI YANG PALING SIGNIFIKAN 85% DATA UNTUK TRAINING, 15% DATA UNTUK TESTING KESIMPULAN DAN SARAN

11 BAB IV ANALISA DATA Gambaran umum penelitian dan profil responden Jumlah kuisioner disebar =50 kuisioner kembali = 35 kuisioner (70%) (kepada kontraktor grade 7)

12 Lembar Kuisioner

13 Lembar Kuisioner

14 sumber: perusahan-perusahan kontraktor di Jakarta (PT) JENIS PROYEK : GEDUNG / JALAN / JEMBATAN / SALURAN DRAINASE Tabel Hasil Kusioner RESPONDEN Ukuran Proyek (Dalam Milyar) lokasi Proyek Kondisi Pasar Jumlah Kompetitor Tender Tipe Proyek Durasi Pelaksanaan (Dalam Bulan) VARIABEL Overhead Rate (Dalam %) Beban Kerja Perusahaan yang Dikerjakan Buruh Lokal yang Tersedia Kompleksitas Proyek Identitas Owner Hubungan Dengan Owner PT Mudah Dijangkau Baik 5-10 Gedung 3 5%-10% Banyak > 30 Tinggi Pemerintah Baik PT.2 83 Mudah Dijangkau Buruk <5 Gedung 7 5%-10% Sedang Tinggi Swasta Baik PT Mudah Dijangkau Baik <5 Gedung 3 5%-10% Sedang >30 Rendah Swasta Baik PT Mudah Dijangkau Baik <5 Gedung 4 5%-10% Sedang >30 Rendah Swasta Baik PT Mudah Dijangkau Baik 5-10 Gedung 9 5%-10% Sedang >30 Tinggi Swasta Baik PT Mudah Dijangkau Baik 5-10 Jalan 3 5%-10% Sedang >30 Tinggi Pemerintah Baik PT Mudah Dijangkau Baik 5-10 Gedung 11 5%-10% Sedang >30 Tinggi Swasta Baik PT Mudah Dijangkau Baik <5 Gedung 4 5%-10% Sedang >30 Rendah Pemerintah Baik PT Sulit Dijangkau Baik <5 Gedung 5 >10% Banyak >30 Tinggi Pemerintah Baik PT Sulit Dijangkau Baik Gedung 10 >10% Sedang Tinggi Pemerintah Baik PT Sulit dijangkau Baik Jalan 15 5%-10% Banyak Tinggi Pemerintah Baik 27.5 PT Sulit dijangkau Baik Jalan 5 5%-10% Sedang Rendah Pemerintah Baik 25 PT Mudah dijangkau Baik 5-10 Gedung 25 2%-5% Sedang <10 Tinggi Pemerintah Baik 25 PT Mudah dijangkau Baik >20 Gedung 10 2%-5% Sedang Tinggi Pemerintah Baik 26 PT Mudah dijangkau Baik <5 Gedung 25 2%-5% Sedang Tinggi Pemerintah Baik 27.5 PT Mudah dijangkau Baik >20 Gedung 5 5%-10% Sedang Rendah Pemerintah Baik 25 PT Mudah dijangkau Baik <5 Gedung 25 <2% Sedikit Tinggi Swasta Baik 12.5 PT Sangat mudah dijangkau Baik <5 Gedung 15 2%-5% Sedang <10 Tinggi Pemerintah Baik 30 PT Mudah dijangkau Baik 5-10 Gedung 10 2%-5% Sedang Rendah Swasta Baik 15 PT Sulit dijangkau Baik 5-10 Jalan 10 5%-10% Sedang Tinggi Pemerintah Baik 25 PT Mudah dijangkau Baik 5-10 Gedung 10 2%-5% Sedang Rendah Pemerintah Baik 25 PT Sangat mudah dijangkau Baik 5-10 Gedung 15 2%-5% Sedang Tinggi Swasta Baik 15 PT Mudah dijangkau Baik 5-10 Gedung 20 2%-5% Sedang Tinggi Pemerintah Baik 30 PT Mudah dijangkau Baik 5-10 Gedung 15 2%-5% Sedang Tinggi Swasta Baik 12.5 PT Mudah dijangkau Baik 5-10 Gedung 20 2%-5% Sedang Rendah Pemerintah Baik 30 PT Mudah dijangkau Baik <5 Gedung 10 <2% Sedang Rendah Swasta Baik 15 PT Mudah dijangkau Baik 5-10 Jalan 11 5%-10% Banyak >30 Rendah Swasta Baik 30 PT Sulit dijangkau Buruk 5-10 Jalan 12 >10% Banyak <10 Tinggi Pemerintah Baik 20 PT Mudah dijangkau Buruk >20 Gedung 12 5%-10% Banyak >30 Tinggi Pemerintah Baik 24 PT Mudah dijangkau Baik >20 Gedung 12 5%-10% Banyak >30 Tinggi Pemerintah Baik 18 PT Mudah dijangkau Baik 5-10 Gedung 6 5%-10% Banyak >30 Tinggi Swasta Baik 30 PT Mudah dijangkau Baik <5 Gedung 6 2%-5% Sedang Rendah Swasta Baik PT Mudah dijangkau Buruk >20 Gedung 17 5%-10% Banyak Tinggi Pemerintah Baik 22 PT Mudah dijangkau Baik >20 Gedung 8 5%-10% Sedang Rendah Pemerintah Baik 20 PT Sulit Dijangkau Baik 5-10 Jalan 9 5%-10% Banyak Tinggi Pemerintah Baik 24 Mark Up (Dalam %)

15 Analisa data dengan minitab 1. Uji serentak Didapat hasil Y = X1_ X1_ X1_ X2_ X2_ X3_ X4_ X4_ X4_ X5_ X6_ X6_ X6_ X7_ X7_ X7_3-7.8 X8_ X8_ X9_ X9_ X9_ X10_ X11_1 dengan tabel annova Source db SS MS F P Regression Residual Error Total Model yang dihasilkan tidak signifikan karena nilai P>0.05 Dimodelkan kembali dengan regresi stepwise.

16 Prosedur Stepwise Variabel Step 1 Step 2 Step 3 Step 4 X1_ X1_ X1_3 X2_2 X2_ X3_2 X4_1 X4_2 X4_3 X5_1 X6_ X6_2 X6_3 X7_1 X7_ d X8_ X9_ X9_ X9_ X10_ X11_ Variabel Step 13 Step 14 Step 15 Step 16 X1_ X1_ X1_3 X2_2 Ukuran proyek Lokasi proyek X2_ X3_2 X4_1 Overhead X4_2 X4_3 rate X5_1 X6_ X6_2 X6_3 Jumlah X7_1 buruh X7_ X7_ X8_ X9_ X9_ Kompleksitas X9_3 proyek X10_ X11_ Identitas owner

17 Hasil Stepwise Model Terbaik 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. Variabel yang valid di Stepwise di modelkan lagi secara serentak, Didapat hasil Y = X 1_ X 1_ X 1_3-0.79X 2_ X 2_ X 6_ X 6_ X 6_ X 9_ X 9_ X 9_ X 10_ X 11_1

18 Data Testing Validasi dengan menggunakan data testing diperlukan untuk mengetahui seberapa baik 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). Didapat hasil: Obs Mark Up Mark Up Asli Taksiran Nilai pada kolom terakhir memiliki error sebesar 6.5% standar deviasinya sebesar dengan varians sebesar 6.76% sehingga bisa disimpulkan bahwa model yang dihasilkan cukup baik untuk kepentingan prediksi.

19 Kesimpulan 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 = X 1_ X 1_ X 1_3-0.79X 2_ X 2_ X 6_ X 6_ X 6_ X 9_ X 9_ X 9_ X 10_ X 11_1 Dengan R2 = 84%, error = 6.5% dan varians = 6.7%

20 Saran 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.. TERIMA KASIH