CONTOH SOAL RAMALAN PENJUALAN METODE LEAST SQUARE

Data PT ABC TAHUN 1995-2006

NO	TAHUN	PENJUALAN (Y)
1	1996	15.000
2	1997	16.000
3	1998	17.000
4	1999	17.500
5	2000	18.000
6	2001	18.500
7	2002	18.500
8	2003	19.000
9	2004	19.250
10	2005	19.500
11	2006	19.750
JUMLAH	11	198.000

1. ANALISIS MENGGUNAKAN METODE LEAST SQUARE

PT ABC

NO	TAHUN	PENJUALAN (Y)	PREDIKSI (X)	X^2	XY
1	1996	15.000	-5	25	-75.000
2	1997	16.000	-4	16	-64.000
3	1998	17.000	-3	9	-51.000
4	1999	17.500	-2	4	-35.000
5	2000	18.000	-1	1	-18.000
6	2001	18.500	0	0	0
7	2002	18.500	1	1	18.500
8	2003	19.000	2	4	38.000
9	2004	19.250	3	9	57.750
10	2005	19.500	4	16	78.000
11	2006	19.750	5	25	98.750
JUMLAH	11	198.000	0	110	48.000

2. Mencari nilai a dan b

a = 198.000 /11 = 18.000

b = 48.000 /110 = 436.36

maka persamaan least squarenya adalah

Y’ = a + bX

Y’ = 18.000 + 436.36X

Maka ramalan penjualan untuk tahun 2007 :

Y (2007) = 18.000 + 436.36 (6)

Y (2007) = 18.000 + 2,618.18

Y (2007) = 20618.18 dibulatkan menjadi 20.619 unit

Ramalan penjualan tahun sebelumnya misalkan tahun 1995 adalah

Y (1995) = 18.000 + 436.36 (-6)

Y (1995) = 18.000 + (-2,618.18)

Y (1995) = 15.381,82 dibulatkan menjadi 15.382 unit

NO	TAHUN	PENJUALAN (Y)	PREDIKSI (X)	X^2	XY
1	1997	16250	-9	81	-146250
2	1998	17200	-7	49	-120400
3	1999	18050	-5	25	-90250
4	2000	18800	-3	9	-56400
5	2001	19450	-1	1	-19450
6	2002	20000	1	1	20000
7	2003	20450	3	9	61350
8	2004	20800	5	25	10400
9	2005	21050	7	49	147350
10	2006	21250	9	81	191250
JUMLAH	10	193300	0	330	91200

2. Mencari nilai a dan b

a = 193300/10 = 19330

b = 91200/330 = 276.36

maka persamaan least squarenya adalah

Y’ = a + bX

Y’ = 19330 + 276.36X

Maka ramalan penjualan untuk tahun 2007 :

Y (2007) = 19330 + 276.36 (11)

Y (2007) = 19330 + 3040

Y (2007) = 22370 jadi ramalan penjualan menjadi 20.619 unit

Ramalan penjualan tahun sebelumnya misalkan tahun 1995 adalah

Y (1995) = 18.000 + 436.36 (-13)

Y (1995) = 18.000 + (-3592.73)

Y (1995) = 15737,82 dibulatkan menjadi 15.738 unit

TARGET, SALESPLAN DAN FORECAST PENJUALAN.

Sebelum lebih jauh memahami Forecast Penjualan ada baiknya kita juga memahami perbedaan-perbedaan antara Target, Salesplan,  dan Forecast, Realitanya banyak Salesman, bahkan Sales Manager yg salah mengartikan atau salah mendefinisikan ketiga istilah ini, sehingga seringkali tertukar antara Salesplan & Forecast, atau seringkali langsung membuat Forecast berdasarkan Target tanpa adanya Salesplan…, ironis kan?, hasilnya apa? bisa jadi pencapaian penjualan yang tidak maksimum dan atau malah salah membaca pasar yang kemudian menimbulkan Loss sales di kemudian hari.

1. Target

Kalau yang ini semua orang sales pasti tau, jangan ngaku orang sales kalau gak tau Target karna tiap salesman pasti punya target penjualan. Target penjualan sesungguhnya merupakan angka penjualan yang di rencanakan oleh pihak Management untuk di capai. makanya beberapa perusahaan tidak menyebutnya sebagai Target, tapi juga Bisnis Plan (BP), Budget, atau Goal setting, atau mungkin ada istilah lain.

Perlu di pahami idealnya sebuah perusahaan menyeting target penjualan dengan juga mengakomodir hal-hal lainnya, seperti ketersediaan stok, estimasi pertumbuhan pasar, rencana pengembangan produk, kemampuan logistik, Cash Capability, dll. yang mana artinya Target yang di setting ini memang benar-benar merupakan Bisnisplan atau rencana rencana bisnis yang ingin di capai oleh perusahaan dalam satu periode tertentu.

Artinya Target lebih mengarah kepada rencana Perusahaan untuk tumbuh yang mana di pengaruhi oleh faktor-faktor internal yang ada.

2.Salesplan

Berbeda dengan Salesplan atau rencana penjualan. Rencana penjualan adalah angka penjualan yang ingin benar-benar di capai oleh seorang penjual dengan lebih menganalisa kondisi realtime pasar pada saat itu, peluang-peluang penjualan yang ada dan kemampuan kita dalam melakukan proses closing-closing penjualan untuk mengejar angka semaksimal mungkin. Idealnya harus diatas target, atau minimal mencapai target.

Salesplan lebih di pengaruhi oleh faktor-faktor external yang terjadi selama periode penjualan tersebut, contohnya jika di Distribution Bisnis adalah sbb : Target 1000 untuk salah satu Toko, namun kenyataannya Sisa Stok masih 1500, dengan average Stok toko biasanya hanya 1000/Bulan , dengan memperhatikan kondisi realtime yang ada kemudian kita menganalisa pasar bahwa Toko sepertinya punya kemungkinan untuk bisa menjual sebanyak 800 sampai akhir bulan, sehingga sisa Stok akan menjadi 700, disini kita menganalisa juga bahwasanya Toko kemungkinan akan memperbanyak Stok, mengingat bulan selanjutnya akan peak season, dalam hal ini kita boleh saja membuat salesplan sebanyak 1000 unit sesuai Target sehingga pada akhir bulan Stok averagenya akan sedikit tinggi demi mangantisipasi peak season bulan selanjutnya.

Contoh lainnya adalah di IB atau Industrial Bisnis. yaitu salesman yang mensupply produknya ke Institusi-institusi atau perusahaan-perusahaan.Contoh sebagai sales pemasok produk bahan baku industri dengan  target 100 jt, dari existing customer kita memplaning 80 juta, dan harus cari 20 juta lainnya dari Customer baru, dari target 20 juta customer baru ini berapa kira-kira nilai salesplan  yang sudah berstatus Hot prospek, atau prospek yg sudah 80-95% pasti deal, jika ternyata hanya 12 juta maka kita harus akui bahwa sementara salesplan kita adalah baru 92 juta. lalu apakah selesai sampai disini? tidak Seorang Salesman harus sesegera mungkin Take Action bagaimana agar target dapat terpenuhi, agar salesplannya bisa mencapai target penjualan yang ada. bisa dengan sesegera mungkin mencari prospek-prospek baru memfokuskan prospek yang ada agar menjadi Hot prospek, atau mencoba meningkatkan kuantity penjualan dari existing customer yang ada.

Inti dari Salesplan adalah seorang Salesman harus bisa membuat rencana berapa angka yang mau di capai dengan memperhatikan kondisi external yang ada seperti pasar, seasonality, competitor movement dll dan kemampuan jual dirinya ,  agar target penjualannya bisa tercapai. Salesplan juga berguna untuk  memaksa Salesman untuk dapat menganalisa pasar sedini mungkin, mengikuti progressnya dan bisa segera take action yang dirasa perlu demi mencapai Target yang di tentukan perusahaan.

3.Forecast

Jika sudah cukup memahami perbedaan antara Target dan Salesplan maka mari kita pahami apa dan bagaimana Forecasting sebaiknya di buat.

Perbedaan mendasar antara Target penjualan dan Salesplan adalah : Target penjualan merupakan angka penjualan yg ingin di capai yang berasal dari internal perusahaan dan dengan mempertimbangkan faktor-faktor internal lainnya yang merupakan perwujudan Rencana pertumbuhan Bisnis Perusahaan, sementara Salesplan atau rencana penjualan merupakan angka penjualanyg ingin di capai yang berasal dari analisa-analisa realtime  team Sales dari faktor external dalam hal ini kondisi pasar,demand produk, kondisi pelanggan,kompetitor dan faktor-faktor external lain yang akan mempengaruhi pencapaian target perusahaan dalam satu periode tertentu.

Lalu bagaimana dengan Forecasting penjualan?, Forecasting penjualan merupakan estimasi real berapa sesungguhnya penjualan bisa di capai dengan menganalisa faktor-faktor pendukung pencapaian target dengan kondisi real pasar dan kemampuan real menjual kita, yang mana sesungguhnya adalah kombinasi dari analisa kita dalam menentukan target dan membuat salesplan.

Untuk lebih simple mari kita pahami contoh berikuti: Team sales atau salesman sudah melakukan analisa Salesplannya dan menentukan rencana penjualannya sebesar 200 Juta, target penjualan sebesar 180 juta, untuk itu apakah angka 200 juta tersebut bisa kita anggap sebagai Forecast atau tidak? belum tentu. dari salesplan 200 juta tersebut, kita perlu lebih dalam lagi menganalisa apakah faktor internal perusahaan sanggup untuk memenuhinya?, seperti ketersediaan stok, TOP pembayaran, Logistik pengiriman, additional service, delivery Ontime dll. jika ternyata bisa maka it’s Ok , salesplan bisa kita anggap sebagai Forecast penjualan, namun jika pada kenyataannya tidak dapat memenuhim dan yang bisa terpenuhi hanya sebesar 150 juta maka mau tidak mau harus kita akui Forecast kita hanya sebesar 150 juta.

Pertanyaannya kemudian adalah apakah sebagai salesman kita cukup tenang-tenang saja dengan Forecast yang hanya 150 juta? tentunya tidak. disinilah pentingnya forecasting sebagai tools, ketika kita ketahui bahwa forecast kita masih di bawah target maka itulah saatnya kita harus segera take Action untuk bagaimana caranya memenuhi target penjualan yang ada.

Inti dari melakukan forecasting yang benar adalah agar sebagai salesman kita benar-benar terus bisa menganalisa sedetail mungkin semua progress penjualan kita dan bisa segera take action jika dirasa perlu demi mencapai penjualan yang maksimal

Pengertian dari forecast penjualan itu sendiri adalah suatu proyeksi atau perkiraan secara tekhnis yang berasal dari pada permintaan langganan potensial untuk suatu waktu tertentu dengan berbagai asumsi.

Ada lima faktor yang mempengaruhi suatu forecast atau peramalan penjualan yaitu :

1. SIFAT PRODUK.

Pada faktor ini lebih mengedepankan pada sifat produk yang di hasilkan oleh perusahaan, apakah produk ini bisa bertahan dalam jangka waktu yang panjang atau dalam jangka waktu pendek.

2. METODE DISTRIBUSI.

Pada faktor ini lebih menitik beratkan pada metode distribusi yang dipakai oleh perusahaan, dimana letak perusahaan apakah dekat dengan pasar atau dekat dengan bahan baku.

3. BESARNYA PERUSAHAAN DIBANDING PESAING.

Pada faktor ini lebih melihat pada posisi suatu perusahaan pada pasar, apakah perusahaan sebagai market leader, market chalangger, market follower, atau market niecher.

4. TINGKAT PERSAINGAN.

Setelah mengetahui posisi perusahaan bagaimanakah tingkat persaingan dengan perusahaan pesaing.

5. DATA HISTORIS.

Data historis yang diperlukan disini minimal berjumlah lima tahun terakhir dari perusahaan.

Pada grafik penjualan suatu perusahaan, forecast penjualan ditunjukkan dengan fungsi “Trend” yang berbentuk suatu garis lurus. Sehingga pengertian dari Trend adalah suatu gerakan garis lurus dalam waktu yang panjang dan mempunyai karakteristik bergerak yang lamban serta berjalan ke satu arah.

Dikarenakan forecast penjualan merupakan dasar yang utama untuk menyusun anggaran penjualan, maka ada beberapa tekhnik yang di gunakan untuk menyusun forecast penjualan, yaitu :

1. Forecast berdasarkan pendapat.

Merupakan data yang berasal dari

* Pendapat konsumen.

* Pendapat salesman

* Pendapat sales manager.

* Pendapat para ahli.

2. Forecast berdasarkan perhitungan.

Pada tekhnik ini pembuatan forecast berdasarkan metode tertentu, adapun metode yang digunakan adalah:

* Metode trend setengah rata – rata.

* Metode trend moment.

* Metode least square.

* Metode kuadratik.

Metode ini berbentuk garis lengkung, dan digunakan dalam perusahaan yang kegiatan produksinya tidak beraturan, sehingga penggunaan metode ini jarang dilakukan.

* Metode korelasi.

Penggunaan metode ini berdasarkan data historis yang berasal dari variabel yang ditaksir (Y) dari data historis (X) yang sudah diketahui, yang diduga mempengaruhi perkembangan dari data Yang ditaksir (Y).

* Metode trend bebas.

Caranya ditentukan dari data yang berdasarkan pendapat dan tentukan standar defiasi yang paling kecil atau mendekati nol. Metode ini jarang digunakan dengan alasan tidak memperhitungkan hitungan kualitatif dan berdasar pada data subyektif, tidak berdasar pada model tertentu, tidak berdasarkan metode deduktif dan induktif, tidak logis dan sistematis.

3. Forecast berdasarkan metode khusus.

Metode yang dipakai disini adalah

* Metode analisis industri.

Tahapannya,

Buat proyeksi permintaan industri, dan berikan nilai dalam persaingan, sehingga di peroleh perhitungan,

Market share = Permintaan perusahaan : Permintaan industri X 100%.

Metode ini digunakan untuk jenis produk yang sama.

* Metode analisis product line.

* Metode analisis penggunaan akhir.

Penggunaan metode ini diperlukan pada perusahaan yang mengolah barang setengah jadi menjadi barang siap pakai

Forecasting, pasti tiap salesman mengenal istilah ini. Hampir di setiap perusahaan penjualan pastilah kita mengenal apa yang di sebut dengan Forecasting, atau Plan penjualan, atau estimasi  penjualan atau mungkin ada beberapa istilah lain yang berbeda-beda di perusahaan lain.

Saya masih teringat ketika masih menjadi Salesman Produk xxx sekitar 12 tahun yang lalu, tiap Minggu yang biasanya di Jumat Malam kita selalu meeting Forecast / meeting Estimasi penjualan, atau yg kita sambil bercanda selalu sebut Judgement Day, mengapa demikian karena sang Big Bos waktu itu yang Hobby bicara nyelekit, selalu saja mencari mangsa atau target korban untuk di hina ketika forecast salesmannya masih di bawah target atau ketika progress penjualannya buruk.

Forecasting atau estimasi penjualan merupakan salah satu tools dalam pekerjaan salesman yang sebenarnya sangat penting bagi salesman & Management. yang mana fungsinya adalah sebagai rencana atau gambaran atau juga Estimasi berapa kira-kira angka penjualan yang bisa di capai dalam satu periode tertentu.

Tools Forecasting ini bisa bermacam-macam bentuk atau namanya di setiap spesialisasi sales, begitupun metode pengukuran serta penetapannya. di Spesialisasi DS (Direct Sales) misalnya, tentunya berbeda cara melakukan atau menentukan Forecast ini dengan spesialisasi DB (Distribution Busines), begitupun juga dengan Spesialisasi  IB (Industrial Busines) tentunya berbeda dengan kedua Spesialisasi sebelumnya.

Kenyataannya di dunia sales, Forecasting atau perencanaan penjualan ini masih sering di salah artikan oleh para salesman dan Sales Manager, sehingga tidak jarang Seorang Salesman justru tidak menggunakan tools ini sebaik mungkin. sehingga malah terjadi missleading dalam pengambilan keputusan Management. dan ini seringkali terjadi kesalahan Forecasting penjualan bisa berimplikasi serius kepada kesalahan forecast barang yang pesan dari logistik yang mana berpotensi terjadinya pengembalian barang yang tinggi.

Sebagai contoh : ketika meeting forecasting seorang Sales cenderung mangambil jalan simple ketika ditanya berapa forecastnya, dengan simple dia menjawab “sesuai Target Pak”, karna dia berfikir bahwa kewajiban kita kan mencapai target jadi saya forecastkan sesuai target saja, kan memang harus capai target. Atau contoh lain misalnya ” Saya Forecastkan120% vs Target Pak”, karna yang bersangkutan memang Salesman super Ambisius dan sangat ingin menjual over target. saya ulangi sangat ingin menjual over target. ya.., berdasarkan keinginannya yang kuat dia berjanji ke Management Bahwa dirinya akan menjual over target. padahal kita tau realitanya keinginan yang kuat saja tidaklah cukup untuk mendapatkan sukses penjualan. ada banyak faktor lainnya seperti ketersediaan stok, Delivery time, seasonality dll.

DEFINISI POPULASI DAN SAMPLE DALAM PENELITIAN

1. Definisi

Populasi adalah wilayah generalisasi berupa subjek atau objek yang diteliti untuk dipelajari dan diambil kesimpulan. Sedangkan sampel adalah sebagian dari populasi yang diteliti.

Dengan kata lain, sampel merupakan sebagian atau bertindak sebagai perwakilan dari populasi sehingga hasil penelitian yang berhasil diperoleh dari sampel dapat digeneralisasikan pada populasi.

Penarikan sampel diperlukan jika populasi yang diambil sangat besar, dan peneliti memiliki keterbatasan untuk menjangkau seluruh populasi maka peneliti perlu mendefinisikan populasi target dan populasi terjangkau baru kemudian menentukan jumlah sampel dan teknik sampling yang digunakan.

1. Ukuran Sampel

Untuk menentukan sampel dari populasi digunakan perhitungan maupun acuan tabel yang dikembangkan para ahli.  Secara umum, untuk penelitian korelasional jumlah sampel minimal untuk memperoleh hasil yang baik adalah 30, sedangkan dalam penelitian eksperimen jumlah sampel minimum 15 dari masing-masing kelompok dan untuk penelitian survey jumlah sampel minimum adalah 100.

Roscoe (1975) yang dikutip Uma Sekaran (2006) memberikan acuan umum untuk menentukan ukuran sampel :

1. Ukuran sampel lebih dari 30 dan kurang dari 500 adalah tepat untuk kebanyakan penelitian
2. Jika sampel dipecah ke dalam subsampel (pria/wanita, junior/senior, dan sebagainya), ukuran sampel minimum 30 untuk tiap kategori adalah tepat
3. Dalam penelitian mutivariate (termasuk analisis regresi berganda), ukuran sampel sebaiknya 10x lebih besar dari jumlah variabel dalam penelitian
4. Untuk penelitian eksperimental sederhana dengan kontrol eskperimen yang ketat, penelitian yang sukses adalah mungkin dengan ukuran sampel kecil antara 10 sampai dengan 20

Besaran atau ukuran sampel ini sampel sangat tergantung dari besaran tingkat ketelitian atau kesalahan yang diinginkan peneliti. Namun, dalam hal tingkat kesalahan, pada penelitian sosial maksimal tingkat kesalahannya adalah 5% (0,05). Makin besar tingkat kesalahan maka makin kecil jumlah sampel. Namun yang perlu diperhatikan adalah semakin besar jumlah sampel (semakin mendekati populasi) maka semakin kecil peluang kesalahan generalisasi dan sebaliknya, semakin kecil jumlah sampel (menjauhi jumlah populasi) maka semakin besar peluang kesalahan generalisasi.

Beberapa rumus untuk menentukan jumlah sampel antara lain :

1. Rumus Slovin (dalam Riduwan, 2005:65)

n = N/N(d)² + 1

n = sampel; N = populasi; d = nilai presisi 95% atau sig. = 0,05.

Misalnya, jumlah populasi adalah 125, dan tingkat kesalahan yang dikehendaki adalah 5%, maka jumlah sampel yang digunakan adalah :

N = 125 / 125 (0,05)² + 1 = 95,23, dibulatkan 95
2. Formula Jacob Cohen (dalam Suharsimi Arikunto, 2010:179)

N = L / F^2 + u + 1
Keterangan :
N = Ukuran sampel
F^2 = Effect Size
u = Banyaknya ubahan yang terkait dalam penelitian
L = Fungsi Power dari u, diperoleh dari tabel

Power (p) = 0.95 dan Effect size (f^2) = 0.1
Harga L tabel dengan t.s 1% power 0.95 dan u = 5 adalah 19.76
maka dengan formula tsb diperoleh ukuran sampel
N = 19.76 / 0.1 + 5 + 1 = 203,6, dibulatkan 203

3. Rumus berdasarkan Proporsi atau Tabel Isaac dan Michael

Tabel penentuan jumlah sampel dari Isaac dan Michael memberikan kemudahan penentuan jumlah sampel berdasarkan tingkat kesalahan 1%, 5% dan 10%. Dengan tabel ini, peneliti dapat secara langsung menentukan besaran sampel berdasarkan jumlah populasi dan tingkat kesalahan yang dikehendaki.

1. Teknik Sampling

Teknik sampling merupakan teknik pengambilan sampel yang secara umum terbagi dua yaitu probability sampling dan non probability sampling.

Dalam pengambilan sampel cara probabilitas besarnya peluang atau probabilitas elemen populasi untuk terpilih sebagai subjek diketahui. Sedangkan dalam pengambilan sampel dengan cara nonprobability besarnya peluang elemen untuk ditentukan sebagai sampel tidak diketahui. Menurut Sekaran (2006), desain pengambilan sampel dengan cara probabilitas jika representasi sampel adalah penting dalam rangka generalisasi lebih luas. Bila waktu atau faktor lainnya, dan masalah generalisasi tidak diperlukan, maka cara nonprobability biasanya yang digunakan.

1. Probability Sampling

Probability sampling adalah teknik pengambilan sampel yang memberikan peluang yang sama kepada setiap anggota populasi untuk menjadi sampel. Teknik ini meliputi simpel random sampling, sistematis sampling, proportioate stratified random sampling, disproportionate stratified random sampling, dan cluster sampling

Simple random sampling

Teknik adalah teknik yang paling sederhana (simple). Sampel diambil secara acak, tanpa memperhatikan tingkatan yang ada dalam populasi.

Misalnya :

Populasi adalah siswa SD Negeri XX Jakarta yang berjumlah 500 orang. Jumlah sampel ditentukan dengan Tabel Isaac dan Michael dengan tingkat kesalahan adalah sebesar 5% sehingga jumlah sampel ditentukan sebesar 205.

Jumlah sampel 205 ini selanjutnya diambil secara acak tanpa memperhatikan kelas, usia dan jenis kelamin.

Sampling Sistematis

Adalah teknik sampling yang menggunakan nomor urut dari populasi baik yang berdasarkan nomor yang ditetapkan sendiri oleh peneliti maupun nomor identitas tertentu, ruang dengan urutan yang seragam atau pertimbangan sistematis lainnya.

Contohnya :

Akan diambil sampel dari populasi karyawan yang berjumlah 125. Karyawan ini diurutkan dari 1 – 125 berdasarkan absensi. Peneliti bisa menentukan sampel yang diambil berdasarkan nomor genap (2, 4, 6, dst) atau nomor ganjil (1, 2, 3, dst), atau bisa juga mengambil nomor kelipatan (2, 4, 8, 16, dst)

Proportionate Stratified Random Sampling

Teknik ini hampir sama dengan simple random sampling namun penentuan sampelnya memperhatikan strata (tingkatan) yang ada dalam populasi.

Misalnya, populasi adalah karyawan PT. XYZ berjumlah 125. Dengan rumus Slovin (lihat contoh di atas) dan tingkat kesalahan 5% diperoleh besar sampel adalah 95. Populasi sendiri terbagi ke dalam tiga bagian (marketing, produksi dan penjualan) yang masing-masing berjumlah :

Marketing       : 15

Produksi         : 75

Penjualan       : 35

Maka jumlah sample yang diambil berdasarkan masing-masinng bagian tersebut ditentukan kembali dengan rumus n = (populasi kelas / jml populasi keseluruhan) x jumlah sampel yang ditentukan

Marketing       : 15 / 125 x 95            = 11,4 dibulatkan 11

Produksi         : 75 / 125 x 95            = 57

Penjualan       : 35 / 125 x 95            = 26.6 dibulatkan 27

Sehingga dari keseluruhan sample kelas tersebut adalah 11 + 57 + 27 = 95 sampel.

Teknik ini umumnya digunakan pada populasi yang diteliti adalah keterogen (tidak sejenis) yang dalam hal ini berbeda dalam hal bidangkerja sehingga besaran sampel pada masing-masing strata atau kelompok diambil secara proporsional untuk memperoleh

Disproportionate Stratified Random Sampling

Disproporsional stratified random sampling adalah teknik yang hampir mirip dengan proportionate stratified random sampling dalam hal heterogenitas populasi. Namun, ketidakproporsionalan penentuan sample didasarkan pada pertimbangan jika anggota populasi berstrata namun kurang proporsional pembagiannya.

Misalnya, populasi karyawan PT. XYZ berjumlah 1000 orang yang berstrata berdasarkan tingkat pendidikan SMP, SMA, DIII, S1 dan S2. Namun jumlahnya sangat tidak seimbang yaitu :

SMP    : 100 orang

SMA    : 700 orang

DIII     : 180 orang

S1        : 10 orang

S2        : 10 orang

Jumlah karyawan yang berpendidikan S1 dan S2 ini sangat tidak seimbang (terlalu kecil dibandingkan dengan strata yang lain) sehingga dua kelompok ini seluruhnya ditetapkan sebagai sampel

Cluster Sampling

Cluster sampling atau sampling area digunakan jika sumber data atau populasi sangat luas misalnya penduduk suatu propinsi, kabupaten, atau karyawan perusahaan yang tersebar di seluruh provinsi. Untuk menentukan mana yang dijadikan sampelnya, maka wilayah populasi terlebih dahulu ditetapkan secara random, dan menentukan jumlah sample yang digunakan pada masing-masing daerah tersebut dengan menggunakan teknik proporsional stratified random sampling mengingat jumlahnya yang bisa saja berbeda.

Contoh :

Peneliti ingin mengetahui tingkat efektivitas proses belajar mengajar di tingkat SMU. Populasi penelitian adalah siswa SMA seluruh Indonesia. Karena jumlahnya sangat banyak dan terbagi dalam berbagai provinsi, maka penentuan sampelnya dilakukan dalam tahapan sebagai berikut :

Tahap Pertama adalah menentukan sample daerah. Misalnya ditentukan secara acak 10 Provinsi yang akan dijadikan daerah sampel.

Tahap kedua. Mengambil sampel SMU di tingkat Provinsi secara acak yang selanjutnya disebut sampel provinsi. Karena provinsi terdiri dari Kabupaten/Kota, maka diambil secara acak SMU tingkat Kabupaten yang akan ditetapkan sebagai sampel (disebut Kabupaten Sampel), dan seterusnya, sampai tingkat kelurahan / Desa yang akan dijadikan sampel. Setelah digabungkan, maka keseluruhan SMU yang dijadikan sampel ini diharapkan akan menggambarkan keseluruhan populasi secara keseluruhan.

2. Non Probabilty Sampel

Non Probability artinya setiap anggota populasi tidak memiliki kesempatan atau peluang yang sama sebagai sampel. Teknik-teknik yang termasuk ke dalam Non Probability ini antara lain : Sampling Sistematis, Sampling Kuota, Sampling Insidential, Sampling Purposive, Sampling Jenuh, dan Snowball Sampling.

Sampling Kuota,

Adalah teknik sampling yang menentukan jumlah sampel dari populasi yang memiliki ciri tertentu sampai jumlah kuota (jatah) yang diinginkan.

Misalnya akan dilakukan penelitian tentang persepsi siswa terhadap kemampuan mengajar guru. Jumlah Sekolah adalah 10, maka sampel kuota dapat ditetapkan masing-masing 10 siswa per sekolah.

Sampling Insidential,

Insidential merupakan teknik penentuan sampel secara kebetulan, atau siapa saja yang kebetulan (insidential) bertemu dengan peneliti yang dianggap cocok dengan karakteristik sampel yang ditentukan akan dijadikan sampel.

Misalnya penelitian tentang kepuasan pelanggan pada pelayanan Mall A. Sampel ditentukan berdasarkan ciri-ciri usia di atas 15 tahun dan baru pernah ke Mall A tersebut, maka siapa saja yang kebetulan bertemu di depan Mall A dengan peneliti (yang berusia di atas 15 tahun) akan dijadikan sampel.

Sampling Purposive,

Purposive sampling merupakan teknik penentuan sampel dengan pertimbangan khusus sehingga layak dijadikan sampel. Misalnya, peneliti ingin meneliti permasalahan seputar daya tahan mesin tertentu. Maka sampel ditentukan adalah para teknisi atau ahli mesin yang mengetahui dengan jelas permasalahan ini. Atau penelitian tentang pola pembinaan olahraga renang. Maka sampel yang diambil adalah pelatih-pelatih renang yang dianggap memiliki kompetensi di bidang ini. Teknik ini biasanya dilakukan pada penelitian kualitatif.

Sampling Jenuh,

Sampling jenuh adalah sampel yang mewakili jumlah populasi. Biasanya dilakukan jika populasi dianggap kecil atau kurang dari 100. Saya sendiri lebih senang menyebutnya total sampling.

Misalnya akan dilakukan penelitian tentang kinerja guru di SMA XXX Jakarta. Karena jumlah guru hanya 35, maka seluruh guru dijadikan sampel penelitian.

Snowball Sampling

Snowball sampling adalah teknik penentuan jumlah sampel yang semula kecil kemudian terus membesar ibarat bola salju (seperti Multi Level Marketing….). Misalnya akan dilakukan penelitian tentang pola peredaran narkoba di wilayah A. Sampel mula-mula adalah 5 orang Napi, kemudian terus berkembang pada pihak-pihak lain sehingga sampel atau responden teruuus berkembang sampai ditemukannya informasi yang menyeluruh atas permasalahan yang diteliti.

Teknik ini juga lebih cocok untuk penelitian kualitatif.

1. Yang perlu diperhatikan dalam Penentuan Ukuran Sampel

Ada dua hal yang menjadi pertimbannga dalam menentukan ukuran sample. Pertama ketelitian (presisi) dan kedua adalah keyakinan (confidence).

Ketelitian mengacu pada seberapa dekat taksiran sampel dengan karakteristik populasi. Keyakinan adaah fungsi dari kisaran variabilitas dalam distribusi pengambilan sampel dari rata-rata sampel. Variabilitas ini disebut dengan standar error, disimbolkan dengan S-x

Semakin dekat kita menginginkan hasil sampel yang dapat mewakili karakteristik populasi, maka semakin tinggi ketelitian yang kita perlukan. Semakin tinggi ketelitian, maka semakin besar ukuran sampel yang diperlukan, terutama jika variabilitas dalam populasi tersebut besar.

Sedangkan keyakinan menunjukkan seberapa yakin bahwa taksiran kita benar-benar berlaku bagi populasi. Tingkat keyakinan dapat membentang dari 0 – 100%. Keyakinan 95% adalah tingkat lazim yang digunakan pada penelitian sosial / bisnis. Makna dari keyakinan 95% (alpha 0.05) ini adalah “setidaknya ada 95 dari 100, taksiran sampel akan mencerminkan populasi yang sebenarnya”.

 

Dari berbagai penjelasan di atas dapat kita simpulkan bahwa teknik penentuan jumlah sampel maupun penentuan sampel sangat menentukan keberhasilan pencapaian tujuan dari penelitian. Dengan kata lain, sampel yang diambil secara sembarangan tanpa memperhatikan aturan-aturan dan tujuan dari penelitian itu sendiri tidak akan berhasil memberikan gambaran menyeluruh dari populasi.

 

UJI ASUMSI KLASIK REGRESI

Beberapa langkah dalam analisis regresi linear :

• Membuat bentuk model regresi linear
• Mengambil data sampel
• Gunakan data sampel untuk mengestimasi parameter model linear
• Tentukan distribusi dari random error dan estimasi parameter lain yang tidak diketahui dari distribusi tersebut.
• Uji kegunaan model secara statistik
• Ketika model sudah sesuai maka model dapat digunakan untuk memprediksi atau mengestimasi.

Dalam regresi linear berganda yang berbasis OLS (Ordinary Least Square), persyaratan statistik yang harus dipenuhi sebelum melakukan analisis regresi linear berganda yaitu disebut dengan uji asumsi regresi. Namun analisis regresi linear yang tidak berdasarkan OLS tidak memerlukan uji asumsi, seperti regresi logistik.

Secara umum, uji asumsi untuk regresi dapat dikelompokkan atas :

1. Uji asumsi dasar regresi

• Uji normalitas
• Uji linearitas
• Uji homogenitas

2. Uji asumsi klasik regresi

• Uji multikolinearitas
• Uji heteroskedastisitas
• Uji autokorelasi
• Uji normalitas

Tidak ada ketentuan urutan uji mana yang harus dilakukan terlebih dahulu. Uji asumsi regresi ini dilakukan agar hasil analisa regresi yang diperoleh lebih akurat. Jika terdapat salah satu asumsi yang tidak terpenuhi, maka ada kecurigaan bahwa analisis yang diperoleh kurang akurat, error yang besar, koefisien yang tidak minim, variabel bebas yang tidak terdeteksi sehingga bisa menyebabkan kesalahan interpretasi.

Untuk itu jika asumsi regresi tidak terpenuhi, dilakukan beberapa hal agar dapat memenuhi uji asumsi tersebut, sebagai contoh uji normalitas, jika tidak terpenuhi maka salah satu solusinya adalah menambah jumlah sampel atau melakukan transformasi variabel, dll. Dan jika asumsi dasar masih tidak terpenuhi maka selanjutnya adalah mengubah analisis data regresi dengan analisis data yang lain yang dianggap lebih tepat.

Uji Normalitas (Test of normality) digunakan untuk mengetahui apakah populasi data berdistribusi normal atau tidak. Biasanya digunakan untuk data berskala ordinal, interval atau pun rasio. Uji yang biasa digunakan adalah uji Liliefors melalui nilai pada Kolmogorov Smirnov. (See this Uji Liliefors)

Uji Linearitas (Test of Linearity) digunakan untuk mengetahui apakah dua variabel mempunyai hubungan yang linear atau tidak secara signifikan. Pada SPSS diperoleh melalui ANOVA dengan memilih icon “Test for Linearity”.

Uji Homogenitas (Test of Homogenity) digunakan untuk mengetahui apakah beberapa varian populasi data adalah sama atau tidak. Pada SPSS diperoleh melalui ANOVA dengan memilih Test of Homogenity, dan hasilnya bisa dilhat dari nilai Levene Test dimana semakin kecil nilainya maka semakin besar homogenitasnya.

Uji Multikolinearitas (Test of Multicolinearity) digunakan untuk mengetahui ada atau tidaknya hubungan linear antar variabel independen dalam model regresi. Pada SPSS diperoleh melalui Linear Regression dengan memilih icon Collinearity diagnostics, dan hasilnya ada pada kolom VIF yang memiliki nilai kurang dari 5 maka tidak terdapat multikolinearitas.

Uji Heteroskedastisitas (Test of Heteroskedasticity) digunakan untuk mengetahui ada atau tidaknya ketidaksamaan varian dari residual pada model regresi. Pada SPSS diperoleh melalui Bivariate Correlation.

Uji Autokorelasi (Test of Autocorrelation) digunakan untuk mengetahui ada atau tidaknya korelasi antara satu residual pengamatan dengan residual pengamatan lainnya pada model regresi. Pada SPSS diperoleh melalui Linear Regression dengan memilih icon Durbin-Watson.

Dalam regresi linear ada empat asumsi yang harus dipenuhi (see this Analisis Regresi Sederhana), yaitu :

1. Masing-masing variabel bebas adalah linear dan tidak berkorelasi.
2. Random error memiliki variansi konstan.
3. Random error saling bebas (independen).
4. Random error memiliki distribusi normal dengan mean 0 dan standar deviasi tetap.

Masing-masing asumsi dapat diuji dengan uji asumsi klasik di atas, yaitu

1. Asumsi 1 : Uji normalitas
2. Asumsi 2 : uji heteroskedastisitas
3. Asumsi 3 : Uji autokorelasi
4. Asumsi 4 : Uji multikolinearitas

Regresi Linier

Regresi linear adalah alat statistik yang dipergunakan untuk mengetahui pengaruh antara satu atau beberapa variabel terhadap satu buah variabel. Variabel yang mempengaruhi sering disebut variabel bebas, variabel independen atau variabel penjelas. Variabel yang dipengaruhi sering disebut dengan variabel terikat atau variabel dependen. Regresi linear hanya dapat digunakan pada skala interval dan ratio.
Secara umum regresi linear terdiri dari dua, yaitu regresi linear sederhana yaitu dengan satu buah variabel bebas dan satu buah variabel terikat; dan regresi linear berganda dengan beberapa variabel bebas dan satu buah variabel terikat. Analisis regresi linear merupakan metode statistik yang paling jamak dipergunakan dalam penelitian-penelitian sosial, terutama penelitian ekonomi. Program komputer yang paling banyak digunakan adalah SPSS (Statistical Package For Service Solutions).

 

Regresi Linear Sederhana

Analisis regresi linear sederhana dipergunakan untuk mengetahui pengaruh antara satu buah variabel bebas terhadap satu buah variabel terikat. Persamaan umumnya adalah:

Y = a + b X.

Dengan Y adalah variabel terikat dan X adalah variabel bebas. Koefisien a adalah konstanta (intercept) yang merupakan titik potong antara garis regresi dengan sumbu Y pada koordinat kartesius.

Langkah penghitungan analisis regresi dengan menggunakan program SPSS adalah: Analyse –> regression –> linear. Pada jendela yang ada, klik variabel terikat lalu klik tanda panah pada kota dependent. Maka variabel tersebut akan masuk ke kotak sebagai variabel dependen. Lakukan dengan cara yang sama untuk variabel bebas (independent). Lalu klik OK dan akan muncul output SPSS.

 

Interpretasi Output

1. Koefisien determinasi

Koefisien determinasi mencerminkan seberapa besar kemampuan variabel bebas dalam menjelaskan varians variabel terikatnya. Mempunyai nilai antara 0 – 1 di mana nilai yang mendekati 1 berarti semakin tinggi kemampuan variabel bebas dalam menjelaskan varians variabel terikatnya.

2. Nilai t hitung dan signifikansi

Nilai t hitung > t tabel berarti ada pengaruh yang signifikan antara variabel bebas terhadap variabel terikat, atau bisa juga dengan signifikansi di bawah 0,05 untuk penelitian sosial, dan untuk penelitian bursa kadang-kadang digunakan toleransi sampai dengan 0,10.

3. Persamaan regresi

Sebagai ilustrasi variabel bebas: Biaya promosi dan variabel terikat: Profitabilitas (dalam juta rupiah) dan hasil analisisnya Y = 1,2 + 0,55 X. Berarti interpretasinya:

1. Jika besarnya biaya promosi meningkat sebesar 1 juta rupiah, maka profitabilitas meningkat sebesar 0,55 juta rupiah.
2. Jika biaya promosi bernilai nol, maka profitabilitas akan bernilai 1,2 juta rupiah.

Interpretasi terhadap nilai intercept (dalam contoh ini 1,2 juta) harus hati-hati dan sesuai dengan rancangan penelitian. Jika penelitian menggunakan angket dengan skala likert antara 1 sampai 5, maka interpretasi di atas tidak boleh dilakukan karena variabel X tidak mungkin bernilai nol.

 

Regresi Linear Berganda

Analisis regresi linear berganda sebenarnya sama dengan analisis regresi linear sederhana, hanya variabel bebasnya lebih dari satu buah. Persamaan umumnya adalah:

Y = a + b₁ X₁ + b₂ X₂ + …. + b_n X_n.

Dengan Y adalah variabel bebas, dan X adalah variabel-variabel bebas, a adalah konstanta (intersept) dan b adalah koefisien regresi pada masing-masing variabel bebas.

Interpretasi terhadap persamaan juga relatif sama, sebagai ilustrasi, pengaruh antara motivasi (X1), kompensasi (X2) dan kepemimpinan (X3) terhadap kepuasan kerja (Y) menghasilkan persamaan sebagai berikut:

Y = 0,235 + 0,21 X1 + 0,32 X2 + 0,12 X3

1. Jika variabel motivasi meningkat dengan asumsi variabel kompensasi dan kepemimpinan tetap, maka kepuasan kerja juga akan meningkat
2. Jika variabel kompensasi meningkat, dengan asumsi variabel motivasi dan kepemimpinan tetap, maka kepuasan kerja juga akan meningkat.
3. Jika variabel kepemimpinan meningkat, dengan asumsi variabel motivasi dan kompensasi tetap, maka kepuasan kerja juga akan meningkat.

Interpretasi terhadap konstanta (0,235) juga harus dilakukan secara hati-hati. Jika pengukuran variabel dengan menggunakan skala Likert antara 1 sampai dengan 5 maka tidak boleh diinterpretasikan bahwa jika variabel motivasi, kompensasi dan kepemimpinan bernilai nol, karena ketiga variabel tersebut tidak mungkin bernilai nol karena Skala Likert terendah yang digunakan adalah 1.

Analisis regresi linear berganda memerlukan pengujian secara serempak dengan menggunakan F hitung. Signifikansi ditentukan dengan membandingkan F hitung dengan F tabel atau melihat signifikansi pada output SPSS. Dalam beberapa kasus dapat terjadi bahwa secara simultan (serempak) beberapa variabel mempunyai pengaruh yang signifikan, tetapi secara parsial tidak. Sebagai ilustrasi: seorang penjahat takut terhadap polisi yang membawa pistol (diasumsikan polisis dan pistol secara serempak membuat takut penjahat). Akan tetapi secara parsial, pistol tidak membuat takut seorang penjahat. Contoh lain: air panas, kopi dan gula menimbulkan kenikmatan, tetapi secara parsial, kopi saja belum tentu menimbulkan kenikmatan.

Penggunaan metode analisis regresi linear berganda memerlukan uji asumsi klasik yang secara statistik harus dipenuhi. Asumsi klasik yang sering digunakan adalah asumsi normalitas, multikolinearitas, autokorelasi, heteroskedastisitas dan asumsi linearitas..

Langkah-langkah yang lazim dipergunakan dalam analisis regresi linear berganda adalah 1) koefisien determinasi; 2) Uji F dan 3 ) uji t. Persamaan regresi sebaiknya dilakukan di akhir analisis karena interpretasi terhadap persamaan regresi akan lebih akurat jika telah diketahui signifikansinya. Koefisien determinasi sebaiknya menggunakan Adjusted R Square dan jika bernilai negatif maka uji F dan uji t tidak dapat dilakukan.

Bentuk-bentuk regresi yang juga sering digunakan dalam penelitian adalah regresi logistik atau regresi ordinal.

 

Pertanyaan-pertanyaan yang sering muncul

1. Dalam uji regresi sederhana apakah perlu menginterpretasikan nilai F hitung?

Uji F adalah uji kelayakan model (goodness of fit) yang harus dilakukan dalam analisis regresi linear. Untuk analisis regresi linear sederhana Signifikansi pada Uji F sama hasilnya dengan signifikansi pada uji t.

2. Kapan menggunakan uji satu arah dan kapan menggunakan uji dua arah?

Penentuan arah pengujian adalah berdasarkan masalah penelitian, tujuan penelitian dan perumusan hipotesis. Jika hipotesis sudah menentukan arahnya, maka sebaiknya digunakan uji satu arah, tetapi jika hipotesis belum menentukan arah, maka sebaiknya menggunakan uji dua arah. Penentuan arah pada hipotesis berdasarkan tinjauan literatur. Contoh hipotesis dua arah: Terdapat pengaruh antara kepuasan terhadap kinerja. Contoh hipotesis satu arah: Terdapat pengaruh positif antara kepuasan terhadap kinerja. Nilai t tabel juga berbeda antara satu arah dan dua arah. Jika menggunakan signifikansi, maka signifikansi hasil output dibagi dua terlebih dahulu, baru dibandingkan dengan 5%.

3. Apa bedanya korelasi dengan regresi?

Korelasi adalah hubungan dan regresi adalah pengaruh. Korelasi bisa berlaku bolak-balik, sebagai contoh A berhubungan dengan B demikian juga B berhubungan dengan A. Untuk regresi tidak bisa dibalik, artinya A berpengaruh terhadap B, tetapi tidak boleh dikatakan B berpengaruh terhadap A. Dalam kehidupan sehari-hari kedua istilah itu (hubungan dan pengaruh) sering dipergunakan secara rancu, tetapi dalam ilmu statistik sangat berbeda. A berhubungan dengan B belum tentu A berpengaruh terhadap B. Tetapi jika A berpengaruh terhadap B maka pasti A juga berhubungan dengan B. (Dalam analisis lanjut sebenarnya juga ada pengaruh yang bolak-balik yang disebut dengan recursive, yang tidak dapat dianalisis dengan analisis regresi tetapi menggunakan (structural equation modelling).

 

from: http://www.konsultanstatistik.com/2009/03/regresi-linear.html

METODE ANALISIS SECARA UMUM

Macam Macam Metode Analisis

Secara general ada 2 (dua) macam metode analisis yang umumnya digunakan dalam penelitian yaitu (1) Analisis data secara Kualitatif, (2). Analisis data Secara Kuantitatif. Metode analisis yang digunakan pada penelitian yang menggunakan pendekatan kualitatif tidak menggunakan alat statistik, namun dilakukan dengan menginterpretasi tabel-tabel, grafik-grafik, atau angka-angka yang ada kemudian melakukan uraian dan penafsiran. Sedangkan Analisis data secara Kuantitatif adalah metode analisis yang digunakan pada penelitian dengan pendekatan analisis kuantitatif dan menggunakan alat statistik.

Jika pendekatan analisis menggunakan alat statistik berarti analisis data dilakukan menurut dasar-dasar statistik. Ada dua macam alat statistik yang digunakan yaitu: Statistik Deskriptif dan Statistik Inferensial.

Pengelompokan Analisis Berdasarkan Variabel
Jika dilihat dari jumlah variabel yang dianalisis ada 3 jenis analisis data yaitu:
Analisis Univariat, analisis yang menggunakan 1 variabel.
Analisis Bivariat, analisis yang menggunakan 2 variabel.
Analisis Multivariat, analisis yang menggunakan 3 atau lebih variabel

Jika dengan menganalisis data kualitatif diperoleh gambaran yang teratur tentang suatu peristiwa atau kejadian maka statistik ini disebut “Deskriftif” misalnya pengukuran nilai sentral (Rata-rata, Median, Modus), deviasi, perhitungan angka indeks, ukuran korelasi, dan trend.
Metode lebih lanjut dimana dalam analisis tersebut memberikan cara bagaimana menarik kesimpulan mengenai ciri-ciri populasi tertentu berdasarkan hasil dari analisis serangkaian sampel yang diambil dari populasi tersebut dinamakan “Metode Statistik Inferensial” Pemilihan Metode Analisis data menggunakan pendekatan kualitatif atau kuantitatif. Dalam pendekatan kuantitatif persyaratan pertama yang harus terpenuhi adalah alat uji statistik yang akan digunakan harus sesuai.

Pertimbangan utama dalam memilih alat uji statistic ditentukan oleh pertanyaan untuk apa penelitian tersebut dilakukan dan ditentukan oleh tingkat/skala, distribusi dan penyebaran data. Pertimbangan kedua dalam memilih alat uji statistik ini adalah luasnya pengetahuan statistik yang dimiliki serta ketersediaan sumber-sumber dalam hubungannya dengan perhitungan dan penafsiran data. Metode penelitian dengan pendekatan kualitatif berbeda dengan pendekatan kuantitatif, dalam pendekatan kualitatif perhatian dipusatkan kepada prinsip umum yang mendasari perwujudan dan satuan gejala yang ada dalam kehidupan manusia atau pola yang ada. Analisis yang dilakukan adalah gejala sosial dan budaya dengan menggunakan kebudayaan masyarakat yang bersangkutan untuk memperoleh pola yang berlaku, dan pola tersebut dianalisis dengan teori yang objektif.

Penelitian kualitatif mampu mengungkapkan gejala yang ada di masyarakat secara sistematis. Oleh karena itu urutan atau sistimatika yang ada dalam penelitian memberikan urutan serta pola berfikir secara sistematis dan komplek. Penelitian dengan pendekatan kualitatif ini mampu mengungkap gejala yang ada di masyarakat secara sistematis serta mampu mengungkapkan kejadian yang sebenarnya sehingga akan sulit ditolak kebenarannya.

Dalam memilih metode analisis perlu dipertimbangkan:
• Kecocokan/kesesuaian metode.
• Kehandalan/ketangguhan.
• Kepekaan.
• Kecepatan/kemudahan.
• Kepraktisan / fleksibel.
• Keamanan.

Cara menentukan metode analisis yang akan digunakan:

• Menetapkan tujuan.
  • Jenis metode.
  • Kemungkinan penggunaan metode.
  • Macam atribut metode yang digunakan.
  • Pemilihan metode alternative.

  Faktor lain yang menjadi pertimbangan dalam memilih metode analisis adalah:
  • Apakah analisis dilakukan untuk 1 sampel, jarang atau sering dengan contoh yang sama.
  • Pereaksi apa saja yang harus tersedia.
  • Berapa lama waktu yang diperlukan.
  • Apa jenis matriks sampel yang dianalisis.
  • Berapa tingkat ketelitian yang diharapkan.
  • Apa ada variabel pengganggu.
  • Apa ada badan khusus atau persyaratan peraturan, batas tindakan, atau batas pelaporan.
  • Apakah diperlukan prosedur yang mampu menseleksi,mendeteksi, dan identifikasi untuk campuran.
  • Berapa biaya yang harus dibayar pelanggan.

  Jika menggunakan metode yang dikembangkan sendiri harus:
  • Merupakan kegiatan yang direncanakan
  • Ditugaskan kepada personil yang memenuhi persyaratan
  • Dilengkapi dengan sumber daya laboratorium yang memadai.

  Apabila menggunakan metode non standar, maka harus :
  • Mendapat persetujuan pemilik sampel
  • Memenuhi spesifikasi yang dipersyaratkan oleh pemilik sampel
  • Sesuai dengan tujuan analisis.

TREND AND MARKET SHARE CIGARET (INTERNAL)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Thanks

HASIL TES KU DI http://www.ipersonic.net

HAHAHAHA, ternyata hasilnya

Tipe Pemikir Analitis adalah orang-orang pendiam dan tidak banyak bicara. Mereka suka menggali hingga ke dasar masalah – rasa ingin tahu adalah dorongan terbesar mereka. Mereka ingin tahu apa yang menyatukan dunia jauh di dalamnya. Mereka tidak butuh lebih banyak untuk kebahagiaan mereka karena mereka adalah orang-orang yang rendah hati. Banyak ahli matematika, filsuf, dan ilmuwan merupakan tipe ini. Tipe Pemikir Analitis tidak suka kontradiksi dan ketidaklogisan; dengan kecerdasan mereka yang tajam, dengan cepat dan menyeluruh mereka menangkap pola, prinsip, dan struktur. Secara khusus mereka tertarik dengan sifat mendasar segala hal dan penemuan-penemuan teoritis; bagi mereka, tidak penting apakah mereka harus menerjemahkannya menjadi tindakan-tindakan praktis atau membagi pemikiran mereka kepada orang lain. Tipe Pemikir Analitis suka bekerja sendiri; kemampuan mereka untuk berkonsentrasi lebih menonjol dibanding tipe kepribadian yang lain. Mereka terbuka dan tertarik pada informasi baru.

Tipe Pemikir Analitis hanya memiliki sedikit ketertarikan pada masalah sehari-hari – mereka selalu agak seperti „profesor linglung“ yang rumah dan tempat kerjanya berantakan dan hanya mengkhawatirkan diri sendiri dengan hal-hal dasar seperti kebutuhan fisik ketika hal itu menjadi sangat tidak bisa dihindarkan. Pengakuan atas karya mereka oleh orang lain juga memegang peranan penting bagi mereka; secara umum, mereka cukup mandiri dalam hubungan sosial dan sangat mengandalkan diri sendiri. Oleh karena itu tipe Pemikir Analitis sering memberi kesan kepada orang lain bahwa mereka arogan atau congkak – terutama karena mereka tidak ragu untuk melontarkan isi kepala mereka dengan kritik mereka yang biasanya pedas (sekalipun beralasan) dan rasa percaya diri mereka yang tak tergoyahkan. Orang-orang di sekitarnya yang tidak kompeten tidak akan lolos dengan mudah dari mereka. Namun barangsiapa berhasil memenangkan rasa hormat dan ketertarikan mereka akan mendapatkan orang yang jenaka dan sangat cerdas untuk diajak berbincang. Pasangan yang membuat seseorang takjub dengan pengamatannya yang tajam dan selera humornya yang getir.

Butuh waktu sebelum tipe Pemikir Analitis bisa berteman, namun biasanya mereka akan berteman seumur hidup. Mereka hanya butuh sedikit orang di sekitar mereka. Kemampuan yang paling penting bagi mereka adalah kecocokan dan dengan demikian memberi mereka inspirasi. Kewajiban sosial yang terus-menerus dengan cepat membuat mereka jengkel; mereka butuh banyak waktu sendiri dan sering menarik diri dari orang lain. Pasangan mereka harus menghargai ini dan mengerti bahwa ini bukan karena kurangnya kasih sayang. Begitu mereka sudah memutuskan menyukai seseorang, tipe Pemikir Analitis adalah pasangan yang setia dan dapat diandalkan. Namun demikian, Anda jangan mengharapkan romansa dan ekspresi perasaan berlebih dari mereka dan mereka jelas akan lupa ulang tahun pernikahan mereka. Namun mereka selalu siap menyambut malam yang diisi dengan perbincangan menggairahkan dan segelas anggur lezat!

SIS OVERVIEW (BASIC) FROM INTERNAL ANALYSIS PROGRAM

SIS merupakan suatu aplikasi Sistem Informasi yang di buat perusahaan untuk mendapatkan informasi dan mengumpulkan Data dari Sub Agen.

SIS merupakan kependekan dari SISTEM INFORMASI SUB AGEN, dimana data dicollect secara periodik oleh salesman sesuai dengan parameter yang sudah dirumuskan perusahaan dan di input oleh admin data kedalam system

Dari Data yang terkumpul, kemudian di tarik dan oleh untuk dijadikan suatu informasi sebagai salah satu pertimbangan dalam menentukan suatu keputusan.

HOW TO PROCESS AND REVIEW SIS

1.IMPORT RAW DATA DARI CMS

2.MANAGE & PROCESS DATA

3.REVIEW TABLE OR GRAFIK

ADJUST AND CONVERT TO PLAN AS THE NEXT ACTION

What ever it is, just run and break