Tanya Jawab Aplikasi Statistik Series #1: Aplikasi Statistik dalam Perubahan Perilaku Karyawan
Badan Kejuruan Teknik Industri Persatuan Insinyur Indonesia (BKTI - PII)

Tanya Jawab Aplikasi Statistik Series #1: Aplikasi Statistik dalam Perubahan Perilaku Karyawan

Aplikasi Statistik Series #1
Biaya untuk Umum
Rp0
Biaya untuk Mahasiswa/Freshgraduate
Rp0
Pemateri
Ineu Widaningsih, ST, MT

Tanya Jawab Aplikasi Statistik Series #1

Materi: Aplikasi Statistik dalam Perubahan Perilaku Karyawan
Instruktur: Ineu Widaningsih, ST, MT
Jadwal Webinar: Kamis, 22 Juli 2021

1. Pertanyaan dari Bapak Aston Situmorang
Apakah kalau R-Squarenya hanya 1% tetap bisa dijelaskan? Atau penelitian itu  dianggap gagal?

Jawaban: Ini tergantung dari apakah kita sedang bicara tentang penelitian di laboratorium atau di lapangan. Kalau di penelitian angka 1% juga perlu kita evaluasi, signifikan 1% ini apa. Tentu saja kita perlu mencari variabel lain yang lebih berpengaruh, kalau ada variabel lain yang lebih berpengaruh kita ambil yang lebih berpengaruh. Tetapi 1% biasanya dianggap sangat kecil. Terlalu banyak uncontrollable variable sehingga 80% atau 90% itu terlalu tinggi untuk menyimpulkan bahwa variabel saling berhubungan. Jadi kalau di lapangan 60%, 70% cukup baik, di beberapa kondisi Mungkin 50% cukup baik, tapi kalau 1% untuk dipakai mengambil kesimpulan bawa itu akan dipakai untuk suatu pengambilan keputusan mungkin kurang, tetapi yang jelas 1% itu juga tetap menjelaskan sesuatu.

2. Pertanyaan dari Ibu Listiyowati
Jika R-Square atau koefisien determinasi hasilnya negatif bagaimana?

Jawaban: R-Square itu adalah nilai R dikuadratkan, dan nilainya adalah antara -1 sampai 1, jadi kalau di kuadratkan pasti positif tidak negatif Jadi mungkin ada masalah perhitungan.

3. Pertanyaan dari Bapak Dhana Akbar
Apakah perlu uji normalitas data sebelum melakukan analisis regresi?

Jawaban: Betul, uji normalitas perlu dilakukan. Seperti tadi kita lihat ploting data, secara sekilas kita lihat datanya random naik turun tidak ada pola, jadi secara sekilas kita bisa lihat bahwa itu random. Tetapi untuk laporan itu perlu dites normalitasnya bahwa benar itu normal, Maka kalau tidak normal perilakunya mungkin berbeda, maka evaluasi atau kesimpulannya akan lain.

4. Pertanyaan dari Bapak Tiarma Simanihuruk
Bagaimana mencari aging days?

Jawaban: Jadi aging days itu dihitung dari, dilihat dari 2 tahun pada tabel Cari angka rata-rata account receivablenya, jadi account receivable beginning dan end, ambil rata-rata, misalnya disini yaitu 750.000 x 360 (days untuk agingnya dalam 1 tahun biasanya 360 hari) kemudian dibagi dengan nilai sales, didapatkanlah aging days. Sama seperti yang tabel di bawahnya, jadi nilainya 400.000 x 15 kemudian ditotalkan 28.500.000 dibagi total account receivable (800.000) didapatkanlah 36.

5. Pertanyaan dari Bapak Arjuna Shri Wijaya
Mengenai pembahasan artificial intelligence, operational Excellence, dan data-driven operational excellence, yang sekarang banyak dibahas di berbagai webinar, terutama webinar dari Eropa dan USA. Apakah seharusnya analisis statistika ini harus dilakukan dahulu, baru kemudian dilakukan kajian statistika perilaku karyawan? Saya sudah sering mengikuti webinar yang dari Eropa dan USA membahas Al operational excellence dan sebagainya, tetapi mereka tidak pernah membahas prasyarat kajian statistika perilaku karyawan, seperti yang dibahas sekarang disini.

Jawaban: Kalau mau menjawab ini kita perlu dulu menanyakan apa yang mau kita ukur, perbaikan kinerja nya yang mau kita ukur apa, dan apakah itu Apple to Apple membandingkan kondisi sekarang dengan memakai teknologi yang ada ini dengan kondisi yang dulu. Tentu itu tergantung konteksnya, kalau mau bicara tentang penggunaan energi mungkin masih kita bisa bandingkan sekarang dengan yang dulu. Tapi kalau kita mau membandingkan produktivitas karyawan sekarang dengan yang dulu itu menjadi tidak apple to apple, tetapi itupun tergantung. Kalau kita membahas berapakah sales yang terjual, sekarang dengan teknologi ini dengan sales yang dulu, sales dahulu door-to-door dan menggunakan kendaraan kemana-mana, sekarang menggunakan aplikasi, ini bisa dibandingkan. Berapa main hours yang dipakai dibandingkan dengan output sales setiap orang, dan bisa kita ukur perbaikannya. Kalau dahulu sekian hour itu adalah sekian output sekarang berapa dikalikan dengan cost faktornya adalah mungkin gaji karyawan per jam misalnya, gaji sales per jam, jadi itu bisa lakukan kajian seperti itu walaupun itu dalam bentuk ada program perbaikan teknologi. Saya pikir itu hal yang penting juga untuk melihat, pertama dari statistiknya dan kedua dari perilaku karyawannya karena ini juga perubahan yang cukup besar. Saya pikir mau lompatan Sebesar apapun kita perlu tetap mengevaluasi, benar atau tidak ada perbaikan, atau kita mau perbaikan yang seperti apa. Ukuran dari keberhasilan secara totalnya ini adalah dari KPI yang lebih terkait ke sustainability, jadi dengan segala macam perubahan ini maka kemudian perlu dipertimbangkan juga bahwa ternyata ada "kerugian"( karbon, sampah buangan) jadi KPI ini lebih Global lagi. Ini menurut saya tetap relevan untuk melihat pertanyaan pertama indikator kinerja nya, kita bisa mengukur bahwa ini semua bagus dan hebat itu apa. Kita menggunakan teknologi canggih dan profit tinggi tetapi di sisi lain merusak, jadi jangan sampai KPI hanya terfokus ke satu hal.

None
None
None
None

Kursus Lainnya

Aplikasi Statistik dalam Perubahan Perilaku Karyawan

Aplikasi Statistik dalam Perubahan Perilaku Karyawan