JUDUL TA: PENENTUAN NILAI MARK- UP PADA PROYEK-PROYEK KONSTRUKI MENGGUNAKAN DUMMY NAMA MAHASISWA: DWITYA DHANURENDRA 3107 100 022 BAB I PENDAHULUAN 1.1 LATAR BELAKANG PERMASALAHAN Hampir semua upaya dalam mendapatk pekerja (proyek), pada sektor jasa konstruksi, selalu melalui proses yg dinamak pelelg (tender). Proses ini menjadi sgat penting bagi pengusaha jasa konstruksi, karena kelgsung hidupnya sgatlah tergtung dari berhasil atau tidaknya proses ini. Penetap harga pelelg (tender) ditentuk oleh berbagai pertimbg d terkadg hya berdasark naluri bisnis. Hal ini sgatlah menentuk besar / kecilnya keuntung (profit) yg masih mungkin diperoleh kontraktor d persentase kemungkin memengk proyek. Pemasar merupak suatu fungsi yg meliputi sejumlah aktivitas dalam menukark jasa perusaha konstruksi untuk keuntung ekonomis. Menurut konsep pemasar modern, fokus aktivitas tersebut adalah pelelg, d mengalir kembali kepada kontraktor yg kemudi dapat merencak cara untuk memenuhi kebutuh tersebut. Penawar bersaing (competitive bidding) adalah jenis lain dari pricing dalam istilah pemasar. Dalam penawar bersaing, setiap penawar pada suatu kontrak tertentu harus menyerahk yg masih dapat dipertggungjawabk (lowest, responsive, d responsible) ak memengk tender tersebut. Strategi penawar (bidding strategy) bagi suatu perusaha sgatlah bergtung pada tuju perusaha; di tarya adalah memaksimumk keuntung (profit). Karakteristik kontrak dalam industri konstruksi ditdai oleh persaing yg makin meningkat, batas keuntung yg tidak tinggi (low profit margin), d nilai risiko gagal yg tinggi. Perkira harga sebuah proyek adalah biaya hasil perhitung yg dilakuk oleh seorg estimator berdasark dokumen lelg (gambar renca d spesifikasi). Dalam tahap ini harga yg diperoleh adalah harga biaya lgsung (direct cost), sedgk harga penawar adalah biaya lgsung ditambah sejumlah nilai nominal tertentu. Besarnya penambah biaya tertentu tersebut disebut nilai mark-up, deng maksud agar kontraktor memperoleh keuntung d menutupi biaya overhead perusaha. Mark-up adalah selisih tara harga penawar deng renca ggar biaya pekerja (biaya lgsung deng biaya tidak lgsung). Permasalah utama kontraktor dalam mengajuk penawar adalah menempatk harga penawar yg tidak terlalu tinggi sehingga memperoleh pelug proyek. Dalam penawar pelelg proyek, segala sesuatunya harus nampak jelas d rasional sehingga hal ini sgat penting dalam menentuk strategi penawar yg tepat. Untuk itulah dibutuhk adya model prediksi untuk menentuk nilai mark-up pada proyek-proyek konstruksi. Peneliti ini bertuju untuk membuat model prediksi penentu harga mark-up. Analisa regresi bergda digunak untuk menentuk berapa nilai mark-up yg sesuai deng kondisi d situasi proyek. Analisis regresi linier bergda ialah suatu alat alisis dalam ilmu statistik yg berguna untuk menguji signifik atau tidaknya hubung lebih dari 2 variabel melalui koefisien regresinya. Analisa ini juga dapat digunak untuk melakuk prediksi berdasark independensi variabelnya.
2 1.2 PERUMUSAN MASALAH Berdasark penjelas diatas, ada 2 rumus masalah yg perlu diselesaik: 1. Karakteristik proyek yg seperti apa yg dapat mempengaruhi besarnya mark up? 2. Berapa nilai mark-up yg sesuai deng situasi d kondisi proyek sehingga tetap berpelug memengk tender d memperoleh keuntung? 1.3 TUJUAN Tuju peneliti ini adalah: 1. Untuk mengetahui karakteristik proyek yg dapat mempengaruhi keputus mark up. 2. Membuat model prediksi untuk mengetahui nilai mark-up yg sesuai deng situasi d kondisi serta karakteristik proyek. 1.4 PEMBATASAN MASALAH Untuk mempersempit lingkup peneliti maka peneliti membatasi hal berikut ini: 1. Proyek-proyek yg ditinjau yaitu proyek-proyek yg dilakuk oleh kontraktor-kontraktor di Jakarta. 2. Kontraktor yg ditinjau hya kontraktor deng kualifikasi grade 6-7 deng nilai proyek diatas 1 milyar. 1.5 MANFAAT Mfaat dari peneliti ini adalah: 1. Pengembg keilmu majemen konstruksi, khususnya keilmu cost magement 2. Dapat menjadi refrensi/rujuk peneliti berikutnya REGRESI STEPWIS E METODOLOGI 1.1 UMUM Metodologi pada penulis Tugas Akhir ini tara lain dapat dilihat pada alur dibawah ini, seljutnya ak diikuti deng penjelas dari alur tersebut. PERMASAL AHAN STUDI LITERATUR PERANCAN GAN PENGUMPU LAN DATA PRIMER (SURVEY) ANALISA DATA (REGRESI UJI SERENTAK KEBAIKAN MODEL DIDAPATK AN MODEL PREDIKSI YANG PALING KESIMPUL AN DAN PENETAPA N POPULASI & SAMPEL PENELITIA JIKA MEMUNGKI NKAN DILENGKAPI DENGAN DATA 85% DATA UNTUK TRAINING, 15% DATA UNTUK
Tahap peneliti Berikut adalah tahap-tahap peneliti dari Tugas Akhir ini: 1. Merumusk latar belakg dari peneliti Proposal Tugas Akhir ini yaitu Perlunya mengidentifikasi karakteristik proyek yg berpengaruh dalam menetapk nilai mark- up, sehingga didapatk nilai mark-up yg sesuai deng situasi d kondisi proyek. Deng nilai mark-up tersebut, kontraktor masih mampu memengk tender tpa mengesampingk keuntung yg diperoleh. 2. Merumusk masalah yg ak diselesaik pada peneliti Proposal Tugas Akhir ini yaitu membuat model prediksi mark-up yg sesuai deng situasi d kondisi serta karakteristik proyek. 3. Mengidentifikasi kriteria-kriteria yg berpengaruh dalam penentu nilai mark-up di dalam studi literatur. Kriteriakriteria yg digunak diambil dari peneliti oleh Dozzi d Abourizk (1996) d Ahmad d minkahar (1988). 4. Mercg kuesioner yg berisi kriteriakriteria yg didapat dari studi literatur yg ntinya ak disebark kepada responden. Sebelum disebar menetapk populasi d sampel peneliti. Populasi pada peneliti ini yaitu kontraktor deng grade 6-7 di Jakarta. Deng responden project mager d estimator. Deng jumlah sampel yg dibutuhk adalah lebih dari 30 proyek. 5. Mengumpulk data primer deng menyebar kuesioner kepada responden yg sudah ditentuk. Apabila memungkink komparasi terhadap data sekunder (dokumen proyek) ak dilakuk. 6. Membuat tabulasi data dari hasil survey yg sudah disebark sebelumnya. 7. Memasuk hasil data yg diperoleh ke dalam minitab deng menggunak regresi dummy. 8. Melakuk uji serentak untuk mengetahui signifik atau tidak model tersebut. 9. Jika signifik ak didapatk model terbaik, jika tidak hasil dari uji serentak ak diregresik lgi menggunak regresi stepwise untuk mencari variabel-variabel yg paling berpengaruh. 10. Setelah mengetahui variabel-variabel yg signifik menggunak stepwise, kemudi variabel-variabel tersebut diregresik kembali. 11. didapat model yg paling signifik. 12. Dari data yg terkumpul 30 data ak digunak untuk training model regresi, sedgk 5data ak digunak sebagai testing. Untuk mengetahui error dari model prediksi mark-up. 13. Menyimpulk d menyark hasil dari peneliti Tugas Akhir ini untuk peneliti ljut. BAB IV ANALISA DAN PEMBAHASAN 4.1 Gambar umum obyek peneliti d profil responden Jumlah kuisioner yg disebar sebyak 50 kuisioner kepada kontraktor grade 7 di Jakarta, yg kembali sebyak 35 kuisioner (70%).
4 Gambar berikut berupa chart tentg profil responden. sisya 4 org pada pengalam < 1 tahun d 2-5 tahun. 4.1.1 Jabat Jabat 4.1.3 Tipe proyek 25% 75% project mager estimator Tipe proyek Gedung 20% Jal Gambar 4.1 chart jabat Dari chart dilihat, jumlah responden berdasark jabat sebyak 75% (26 org) adalah seorg project mager. Sisya 25% (9 org) adalah seorg estimator. 4.1.2 Pengalam proyek Pengalam proyek 80% Gambar 4.3 chart Tipe proyek Jembat Salur drainase Dari chart dilihat, berdasark tipe proyek, 80% adalah proyek gedung d 20% proyek jal. 25% 13% 13% < 1 tahun 2-5 tahun 6-10 tahun 4.1.4 Identitas owner Identitas Owner 50% > 10 tahun Gambar 4.2 chart pengalam proyek Dari chart dilihat, jumlah responden berdasark pengalam proyek sebyak 50% (18 org) yg memiliki pengalam tara 6-10 tahun, 25% (9 org) yg memiliki pengalam lebih dari 10 tahun, 37% Pemerintah Swasta 63% Gambar 4.4 chart Identitas owner
Dari chart dilihat, berdasark identitas owner 63% adalah proyek milik pemerintah d 37% proyek milik swasta. 4.1.5 Kompleksitas proyek Kompleksitas Proyek 34% 66% Sgat tinggi Tinggi Rendah Sgat rendah berdurasi 3-10 bul, 17% berdurasi 17-25 bul. 4.2 Pengolah Data Kuisioner 4.2.1 Data Kuisioner Data keseluruh yg didapat dari hasil survey kuisioner yg telah penulis lakuk berjumlah 35 responden, deng nilai proyek minimum 1 Milyar, deng penatap lokasi responden adalah perusaha kontraktor di Jakarta. Gambar 4.5 chart Kompleksitas proyek Dari chart dilihat, berdasark kompleksitas proyeksebyak 66% memiliki tingkat kompleksitas tinggi, 34% sisya memiliki tingkat kompleksitas rendah. 4.1.6 Durasi proyek Durasi Proyek 17% 43% 40% 3-10 bul 10-17 bul 17-25 bul, Gambar 4.6 chart Durasi proyek Dari chart dilihat, berdasark durasi proyek sebyak 43% berdurasi 10-17 bul, 40%
6 Gambar 4.7 contoh hasil kuiosioner JENIS PROYEK : GEDUNG / JALAN / JEMBATAN / SALURAN DRAINASE VARIABEL Mark Up (Dalam %) Hubung Deng Owner Identitas Owner Kompleksitas Proyek Buruh Lokal yg Tersedia Beb Kerja Perusaha yg Dikerjak Overhead Rate (Dalam %) Durasi Pelaksa (Dalam Bul) Tipe Proyek Jumlah Kompetitor Tender lokasi Proyek Kondisi Pasar Ukur Proyek (Dalam Milyar) RESPONDEN Gambar tabel diatas adalah salah satu data kuisioner Identifikasi Mark-Up pada Kontraktor Jakarta yg telah diisi oleh salah satu perusaha kontraktor mengenai proyek yg sedg mereka kerjak. Didapatk nilai dari sebuah proyeknya adalah 384 Milyar, deng durasi pelaksa 25 bul, d penetap nilai mark-up yg mereka gunak sebesar 27,5%. Berikut dibawah ini adalah tabel keseluruh data kuisioner 35 responden tersebut. Tabel 4.1 Tabel data kuisioner PT.1 9.874 Mudah Dijgkau Baik 5-10 Gedung 3 5%-10% Byak > 30 Tinggi Pemerintah Baik 17.43 PT.2 83 Mudah Dijgkau Buruk <5 Gedung 7 5%-10% Sedg 10-20 Tinggi Swasta Baik 14.55 PT.3 2.25 Mudah Dijgkau Baik <5 Gedung 3 5%-10% Sedg >30 Rendah Swasta Baik 15.13 PT.4 4.74 Mudah Dijgkau Baik <5 Gedung 4 5%-10% Sedg >30 Rendah Swasta Baik 14.18 PT.5 27.263 Mudah Dijgkau Baik 5-10 Gedung 9 5%-10% Sedg >30 Tinggi Swasta Baik 15.18 PT.6 16.728 Mudah Dijgkau Baik 5-10 Jal 3 5%-10% Sedg >30 Tinggi Pemerintah Baik 15.68 PT.7 65.909 Mudah Dijgkau Baik 5-10 Gedung 11 5%-10% Sedg >30 Tinggi Swasta Baik 18.43 PT.8 9.619 Mudah Dijgkau Baik <5 Gedung 4 5%-10% Sedg >30 Rendah Pemerintah Baik 17.18 PT.9 12.924 Sulit Dijgkau Baik <5 Gedung 5 >10% Byak >30 Tinggi Pemerintah Baik 18.08 PT.10 12.272 Sulit Dijgkau Baik 10-20 Gedung 10 >10% Sedg 10-20 Tinggi Pemerintah Baik 14.68 PT.11 45 Sulit dijgkau Baik 10-20 Jal 15 5%-10% Byak 10-20 Tinggi Pemerintah Baik 27.5 PT.12 15 Sulit dijgkau Baik 10-20 Jal 5 5%-10% Sedg 20-30 Rendah Pemerintah Baik 25 PT.13 160 Mudah dijgkau Baik 5-10 Gedung 25 2%-5% Sedg <10 Tinggi Pemerintah Baik 25 PT.14 35 Mudah dijgkau Baik >20 Gedung 10 2%-5% Sedg 20-30 Tinggi Pemerintah Baik 26 PT.15 384 Mudah dijgkau Baik <5 Gedung 25 2%-5% Sedg 10-20 Tinggi Pemerintah Baik 27.5 PT.16 10 Mudah dijgkau Baik >20 Gedung 5 5%-10% Sedg 20-30 Rendah Pemerintah Baik 25 PT.17 200 Mudah dijgkau Baik <5 Gedung 25 <2% Sedikit 10-20 Tinggi Swasta Baik 12.5 PT.18 75 Sgat mudah dijgkau Baik <5 Gedung 15 2%-5% Sedg <10 Tinggi Pemerintah Baik 30 PT.19 15 Mudah dijgkau Baik 5-10 Gedung 10 2%-5% Sedg 20-30 Rendah Swasta Baik 15 PT.20 120 Sulit dijgkau Baik 5-10 Jal 10 5%-10% Sedg 10-20 Tinggi Pemerintah Baik 25 PT.21 25 Mudah dijgkau Baik 5-10 Gedung 10 2%-5% Sedg 10-20 Rendah Pemerintah Baik 25 PT.22 105 Sgat mudah dijgkau Baik 5-10 Gedung 15 2%-5% Sedg 10-20 Tinggi Swasta Baik 15 PT.23 170 Mudah dijgkau Baik 5-10 Gedung 20 2%-5% Sedg 10-20 Tinggi Pemerintah Baik 30 PT.24 80 Mudah dijgkau Baik 5-10 Gedung 15 2%-5% Sedg 10-20 Tinggi Swasta Baik 12.5 PT.25 120 Mudah dijgkau Baik 5-10 Gedung 20 2%-5% Sedg 10-20 Rendah Pemerintah Baik 30 PT.26 70 Mudah dijgkau Baik <5 Gedung 10 <2% Sedg 10-20 Rendah Swasta Baik 15 PT.27 150 Mudah dijgkau Baik 5-10 Jal 11 5%-10% Byak >30 Rendah Swasta Baik 30 PT.28 25 Sulit dijgkau Buruk 5-10 Jal 12 >10% Byak <10 Tinggi Pemerintah Baik 20 PT.29 25 Mudah dijgkau Buruk >20 Gedung 12 5%-10% Byak >30 Tinggi Pemerintah Baik 24 PT.30 25 Mudah dijgkau Baik >20 Gedung 12 5%-10% Byak >30 Tinggi Pemerintah Baik 18 PT.31 100 Mudah dijgkau Baik 5-10 Gedung 6 5%-10% Byak >30 Tinggi Swasta Baik 30 PT.32 20 Mudah dijgkau Baik <5 Gedung 6 2%-5% Sedg 10-20 Rendah Swasta Baik 17.35 PT.33 80 Mudah dijgkau Buruk >20 Gedung 17 5%-10% Byak 10-20 Tinggi Pemerintah Baik 22 PT.34 11 Mudah dijgkau Baik >20 Gedung 8 5%-10% Sedg 20-30 Rendah Pemerintah Baik 20 PT.35 150 Sulit Dijgkau Baik 5-10 Jal 9 5%-10% Byak 20-30 Tinggi Pemerintah Baik 24 sumber: perusah-perusah kontraktor di Jakarta (PT) Didapatk hasil survey Identifikasi Mark- Up pada Kontraktor Jakarta deng responden berjumlah 35, deng jenis proyek yg ditinjau ditarya gedung, jal, jembat, d salur drainase. Dapat dibaca pada tabel tersebut, untuk nilai proyek (dalam Milyar) tertinggi adalah 384 Milyar d terendah adalah 2.25 Milyar. Lokasi Proyek rata-rata mudah dijgkau. Kondisi pasar yg baik. Jumlah kompetitior berkisar tara 5-10 perusaha. Tipe proyek yg mereka kerjak mayoritas adalah bgun gedung d sedikit bgun jal. Waktu pengerja yg bervariasi tergtung pada nilai proyek masing-masing, dari 3 hingga 25 bul. Biaya Overhead yg digunak berkisar 5-10%. Identitas owner mayoritas adalah milik pemerintah d penetap mark-up yg mereka gunak paling kecil adalah 12.5% d paling tinggi adalah 30%. Penjabar data diatas adalah alisa biasa dari pembaca tabel hasil kuisioner yg telah penulis lakuk. Untuk mendapatk model persama terhadap nilai Mark-Up yg ideal pada proyek-proyek konstruksi penulis menggunak alisa statistic, yaitu menggunak alisa persama liniar bergda deng dummy. Persama liniar bergda deng dummy sendiri adalah persama yg memiliki lebih dari dua variable. Untuk menyelesaik persoal ini penulis menggunak program btu MINITAB V.16. Sebuah program btu tentg alisa predictive yg menggunak beberapa sampel data untuk membuat model persama.
4.3 Analisa d Pengolah Data Menggunak Minitab Data-data yg sudah diterima dimasuk ke dalam minitab deng skala, kecuali data tentg mark up. Karena dibutuhk data asli untuk pemodel. 4.3.1 Pemodel Variabel Prediktor Pemodel ini diperluk untuk mengetahui signifiksi model yg didapatk deng memasukk semua variabel prediktor. Lgkah-lgkah di minitab 1. Pemodel Serentak : klik menu Stat Regression-Regression Gambar 4.8 Pemodel serentak pada minitab Masukk variabel respon (mark up) pada bagi response d variabel prediktor pada bagi predictors. - Klik menu Graphs Pilih opsi Four in one untuk residual plot - Klik menu Option Centg opsi Varice inflation factor untuk Display - Klik menu Storage Centg opsi Residual untuk Diagnostic Measure Berikut adalah model yg didapatk : 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 + 0.39 X6_2 + 2.08 X6_3 + 9.28 X7_1 + 8.02 X7_2 + 6.05 X7_3-7.8 X8_2-10.6 X8_3 + 3.01 X9_1 + 6.53 X9_2-0.26 X9_3-5.95 X10_2 + 7.97 X11_1 Signifiksi model diketahui melalui prosedur uji serentak deng cara melihat nilai p-value pada tabel Anova di bawah ini : Tabel 4.2 Analysis of Varice d Source SS MS F P b Regressi 2 40.9 2.3 942.65 on 3 8 4 Residual 17.5 6 105.11 Error 2 Total 2 9 1047.7 6 0.14 7 Nilai p-value melebihi tingkat kesalah yg digunak (0,05). Hal ini berarti model yg melibatk semua variabel 7redictor tidak signifik atau deng kata lain tidak layak digunak. Oleh karena itu perlu dicari model terbaik deng menggunak prosedur Stepwise Regression. Kriteria model terbaik ditarya adalah model yg uji serentak signifik d semua variabel 7redictor juga signifik. 4.3.2 Prosedur Stepwise Metode regresi bertatar (stepwise regression) digunak untuk mencari model terbaik. Kriteria model terbaik ditarya adalah model yg uji serentaknya signifik d uji individu juga menunjukk semua variabel signifik. Prosedur stepwise regression dilakuk sampai didapatk semua variabel yg masuk ke dalam model signifik berpengaruh terhadap mark up (pvalue < 0.05). 1. Stepwise : klik menu Stat-Regression- Stepwise
8 Masukk variabel respon (mark up) pada bagi response d variabel 8redictor pada bagi predictors. Output di atas menunjukk bahwa prosedur stepwise regression dilakuk sampai step (lgkah) ke 16. Pada step ke 16 ini variabel/indikator yg masuk ke dalam model adalah X1_1, X1_2, X2_3, X6_1, X9_1, X9_2, X10_2, X11_1. Seljutnya variabel X1, X2, X6, X9, X10, d X11 dimodelk kembali secara serentak. Gambar 4.9 input stepwise Berikut adalah out put yg dihasilk : Tabel 4.3 Nilai P-value Pada Metode Stepwise Variabel Step 13 Step 14 Step 15 Step 16 X1_1 0.000 0.000 0.000 0.000 X1_2 0.019 0.007 0.007 0.003 X1_3 X2_2 X2_3 0.042 0.066 0.074 0.036 X3_2 X4_1 X4_2 X4_3 X5_1 X6_1 0.012 0.008 0.012 0.007 X6_2 X6_3 X7_1 X7_2 0.111 0.325 Tabel 4.4Nilai P-value Pada Metode Stepwise (ljut) Variabel Step 13 Step 14 Step 15 Step 16 d 0.195 X8_2 0.106 0.238 0.227 X9_1 0.181 0.115 0.029 0.010 X9_2 0.042 0.014 0.010 0.010 X9_3 X10_2 0.001 0.001 0.001 0.001 X11_1 0.000 0.000 0.000 0.000 4.3.3 Model Terbaik Variabel yg valid di Stepwise di modelk lagi secara serentak : lgkah seperti nomer 4.2.1 Persama regresi yg didapatk adalah sebagai berikut : Y = 13.4 + 7.60 X 1_1 + 3.15 X 1_2-1.26 X 1_3-0.79X 2_2-4.36 X 2_3 + 8.50X 6_1 + 3.19 X 6_2 + 2.13 X 6_3 + 5.03 X 9_1 + 6.10 X 9_2-0.20 X 9_3 + - 5.41 X 10_2 + 7.66 X 11_1 4.3.4 Uji Asumsi Residual Uji asumsi residual meliputi uji normalitas, independensi, d identik. Uji normalitas dilakuk deng menggunak atur Kolmogorov Smirnov dima atur ini sering dipakai untuk uji serupa. Percent 99 95 90 80 70 60 50 40 30 20 10 5 1-5.0-2.5 Probability Plot of RESI2 Normal 0.0 RESI2 2.5 Gambar 4.10 Uji normalitas 5.0 Me -6.39488 StDev 2 N KS 0 P-Value >0
P-value yg lebih besar dari 0.05 mengindikasik bahwa asumsi normalitas telah terpenuhi. Hal ini berarti data peneliti berdistribusi normal. Seljutnya adalah uji asumsi independen deng menggunak indikator VIF. Hasilnya bisa dilihat pada tabel di bawah ini : Tabel 4.5 Nilai Signifiksi Variabel d VIF Predictor Coef T P VIF Constt 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 Signifiksi Variabel d VIF (ljut) 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 VIF (Varis Inflation Factor) merupak indikator yg digunak untuk mendeteksi adya kasus multikolinieritas. Apabila ada satu saja nilai VIF yg melebihi 10, maka telah terjadi kasus multikolinieritas yg berarti asumsi independen tidak terpenuhi. Pada tabel 4.4 d tabel 4.5 di atas diketahui bahwa nilai VIF tidak ada yg melebihi nilai 10, sehingga tidak terjadi kasus multikolinieritas alias asumsi independen terpenuhi. Uji Asumsi Identik dilakuk dengna mengamati plot tara residual deng fitted value (nilai mark up model) pada gambar 4.7 di bawah ini. Percent Frequency 99 90 50 10 1 8 6 4 2 0-5.0-4 Normal Probability Plot -2.5 0.0 Residual Histogram -2 0 Residual 2.5 2 Residual Plots for Y 4 5.0 Residual Residual 5.0 2.5 0.0-2.5-5.0 10 5.0 2.5 0.0-2.5-5.0 2 4 6 15 8 Versus Fits 20 25 Fitted Value Versus Order 10 12 14 16 18 20 22 Observation Order Gambar 4.11 Plot Residual Tampak pada gambar bahwa pola yg terbentuk adalah pola acak sehingga bisa disimpulk bahwa asumsi identik telah terpenuhi. Deng terpenuhinya ketiga asumsi residual, maka alisis regresi bisa diljutk deng menginterpretasik out put persama regresi yg meliputi tabel ANOVA, nilai R-Square, d uji signifiksi variabel deng indikator sum square sequential. Tabel 4.7 Analysis of Varice d Source SS MS F P b Regressi 1 67.7 6.4 0.00 880.33 on 3 2 7 0 Residual 1 10.4 167.43 Error 6 6 2 1047.7 Total 9 6 Nilai p-value pada tabel ANOVA lebih kecil dari tingkat kesalah (<0.05) sehingga bisa disimpulk bahwa model regresi yg diperoleh signifik. Seberapa baik model dalam menjelask nilai mark up bisa dilihat dari nilai R-square. Nilai 84% mengindikasik bahwa model cukup baik karena bisa menjelask > 75% keragam mark up. S = 3.23489 R-Sq = 84.0% R-Sq(adj) = 71.0% 24 30 26 28 30
10 Seljutnya adalah melihat signifiksi variabel deng indikator sum square sequential yg ditunjukk oleh tabel 4.xx berikut : Tabel 4.8 Perhitung Signifiksi Variabel Variab el Sum Square Sequenti al Total Sum Square Sequentia l Dari tabel di atas terlihat bahwa semua variabel prediktor signifik berpengaruh terhadap mark up. Hal ini ditunjukk oleh nilai F 0 yg lebih besar dari F tabel. Nilai R square sebesar 84.0% menunjukk bahwa model yg didapatk cukup baik, karena bisa menjelask variasi mark up lebih dari 80%. F 0 X1_1 191.74 21.886 X1_2 34.67 228.93 23 X1_3 2.52 X2_2 40.27 40.59 3.8804 X2_3 0.32 97 X6_1 102.74 15.057 X6_2 0.12 157.5 36 X6_3 54.64 X9_1 11.74 X9_2 174.06 X9_3 0.81 186.61 X10_2 53.62 53.62 X11_1 213.07 213.07 17.840 34 5.1261 95 20.369 98 F tabe l 3.2 4 3.6 3 3.2 4 3.2 4 4.4 9 4.4 9 model regresi yg diperoleh dalam memprediksi nilai mark up dari nilai-nilai variabel prediktor yg baru. Data testing yg digunak pada peneliti kali ini berjumlah 5 buah observasi(15% data). Lgkah-lgkah di minitab adalah sebagai berikut : Keputus Signifik Signifik Signifik Signifik Signifik Signifik 1. klik menu Stat Regression- Regression Gambar 4.8 Validasi data testing Masukk variabel respon (mark up) pada bagi response d variabel prediktor pada bagi predictors. - Klik menu Graphs Pilih opsi Four in one untuk residual plot - Klik menu Option Centg opsi Varice inflation factor untuk Display Masukk semua data testing pada bagi prediction interval for new observation 4.3 Validasi Deng Menggunak Data Testing Validasi deng menggunak data testing diperluk untuk mengetahui seberapa baik
Untuk mendapatk nilai markup, carya adalah deng memasukk nilai variabel dummy pada persama di atas. Misalk, proyek deng karakteristik sebagai berikut : Ukur proyek = Rp 21 30 M Lokasi proyek = mudah dijgkau Durasi pelaksa = 6-10 Buruh lokal = 20-30 Kompleksitas proyek = tinggi Identitas owner = swasta Gambar 4.9 Input data testing - Klik menu Storage Centg opsi Residual untuk Diagnostic Measure Berikut adalah nilai mark up taksir dari 5 data testing yg dimasukk ke dalam model : Tabel 4.9 Nilai mark-up hasil data testing Obs Mark Up Asli (Y i ) Mark Up Taksir (Y i ) Y i Y i /(Y i ) 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% d stdar deviasinya sebesar 0.261 deng varis sebesar 6.76% sehingga bisa disimpulk bahwa model yg dihasilk cukup baik untuk kepenting prediksi. Interpretasi Model Y = 13.4 + 7.60 X 1_1 + 3.15 X 1_2-1.26 X 1_3-0.79X 2_2-4.36 X 2_3 + 8.50X 6_1 + 3.19 X 6_2 + 2.13 X 6_3 + 5.03 X 9_1 + 6.10 X 9_2-0.20 X 9_3 + - 5.41 X 10_2 + 7.66 X 11_1 Deng menggunak persama diatas maka hasil perhitung markup adalah sebagai berikut Markup = 13.4+3.15-4.36+2.13+6.01-5.41=14.92 5.1 Kesimpul BAB V PENUTUP Berdasark data yg digunak untuk membuat model, dapat disimpulk bahwa variabel yg mempengaruhi besar markup adalah ukur proyek, lokasi proyek, durasi pelaksa proyek, buruh lokal yg tersedia, kompleksitas proyek, d identitas owner. Model prediksi mark-up yg dibentuk melalui regresi bergda deng dummy adalah sebagai berikut: Y= Y = 13.4 + 7.60 X 1_1 + 3.15 X 1_2-1.26 X 1_3-0.79X 2_2-4.36 X 2_3 + 8.50X 6_1 + 3.19 X 6_2 + 2.13 X 6_3 + 5.03 X 9_1 + 6.10 X 9_2-0.20 X 9_3 + - 5.41 X 10_2 + 7.66 X 11_1 Deng R2 = 84%, error = 6.5% d varis = 6.7%
12 5.2 Sar Dari hasil yg diujik pada model prediksi mark-up, terlihat bahwa masih terdapat vari yg besar. Hal ini disebabk karena jumlah data yg terbatas, maka bila ingin mendapatk model yg lebih baik disark untuk menambah jumlah data.. DAFTAR PUSTAKA Ahmad, I. & Minkahar, I.(1988).Questionere Survey on Bidding in Construction. Journal of Magement in Engineering, Vol. 4(3).pp.229-243 Dipratha,Tips News d Information Sistem:Apa Itu Tender,<URL:http://www.dipratha.bl ogspot.com/2010/02/tender-atau-lelgmerupak-proses.html>, 2011. Rozaini, Nasution,Teknik sampling, Jurnal,USU digital library, 2003. Singarimbun, M., d Sofi, E., Metodologi Peneliti Survei, Jakarta, 1989. Soeharto,Imam, Majemen Proyek (Dari Konseptual Sampai Operasional), Jakarta, 2001. Wahyu, 2011, Prosedur Analisis Regresi deng Variabel Dummy, http://wahyupsy.blog.ugm.ac.id/2010/11/ 24/prosedur-alisis-regresi-dengvariabel-dummy/. Weiss, N. A., Introductory Statistic-3 rd ed., Cada, 1991. Dozzi d AbouRizk, Combining Rule- Based Expert Systems d Artificial Neural Networks for Mark-Up Estimation., journal of construction engineering d magement,vol (17),pp 169-171,1999. Has, I. 2004. Analisa Data Peneliti Deng Statistik. Jakarta: PT Bumi Aksara. Husen, A., Majemen Proyek: Perenca, Penjadwal, d Pengendali Proyek, Yogyakarta, 2009. Kountur, R, Metode Peneliti Untuk Penulis Skripsi d Thesis, Jakarta,2003. Pjait, R.R.2010. Majemen Dari Teori Ke Praktek. Ghalia Indonesia.