Rabu, 11 Januari 2017

REVIEW JURNAL (Work Environment and Organizational Learning as Key Drivers of Employee Productivity: Evidence from Higher Education Sector)

Diposting oleh DhillaTM di 06.41 0 komentar

Judul
Work Environment and Organizational Learning as Key Drivers of Employee Productivity: Evidence from Higher Education Sector
Jurnal
International Journal of Human Resource Studies
Volume
2016, Vol. 6, No. 2
Tahun
2016
Penulis
Jalal Hanaysha
Reviewer
Lailatul Fadhilla Rahmi (35414965)
Tanggal
7 Januari 2017

ABSTRAK:
Penelitian ini bertujuan untuk mengetahui produktivitas kerja karyawan di sektor pendidikan dengan menguji efek dari lingkungan kerja dan pembelajaran organisasi. Penelitian ini dilakukan dengan pengumpulan data menggunakan instrumen survei dari 242 karyawan di perguruan tingggi negeri utara Malaysia. Data yang dikumpulkan lalu diolah dan di analisis menggunakan softaware SPSS dan AMOS. Penelitian ini bermanfaat  bagi para pembuat keputusan untuk merumuskan strategi yang optimal dalam hal lingkungan kerja dan pembelajaran organisasi yang bertujuan untuk meningkatkan produtivitas karyawan untuk mencapai keunggulan kompetitif dan hasil organisasi yang menguntungkan.

PENDAHULUAN:
            Tingkat produktivitas yang lebih tinggi dapat membantu organisasi meningkatkan keuntungan dan upah karyawan, hal ini juga menyebabkan peningkatan kinerja organisasi dan keuntungan ekonomi yang lebih besar. Kinerja karyawan dalam memanfaatkan dan menghasilkan barang dan jasa berasal dari lingkungan kerja organisasi itu sendiri. Kondisi lingkungan kerja yang kondusif membantu kinerja karyawan untuk dapat mengerjakan tugas-tugasnya dengan baik dan optimal. Untuk meningkatkan produktivitas kinerja karyawan maka organisasi bertanggung jawab untuk memastikan lingkungan kerja yang tepat dan kondusif bagi para karyawan. Pembelajaran organisasi merupakan faktor penting yang dapat membantu organisasi meningkatkan produktivitas karyawan. Pembelajaran organisasi menunjukkan bahwa karyawan belajar di dalam organisasi. Pembelajaran organisasi mengacu pada proses menciptakan, memelihara, dan mentransfer pengetahuan dalam organisasi. Keuntungan dari pembelajaran organisasi adalah bahwa hal itu memungkinkan suatu organisasi untuk tetap kompetitif meskipun perubahan lingkungan.

TUJUAN PENELITIAN:
Tujuan penelitian ini adalah untuk menguji efek dari lingkungan kerja dan pembelajaran organisasi pada produktivitas di sektor pendidikan tinggi Malaysia. Hasil dari penelitian ini akan memberikan panduan yang berguna dan saran bagi para pembuat kebijakan untuk menangani isu-isu produktivitas di tempat kerja.

METODOLOGI:
            Pengumpulan data pada penelitian ini menggunakan pendekatan kuantitatif. Kuesioner dibuat untuk menguji dampak dari lingkungan kerja dan pembelajaran organisasi terhadap produktivitas kerja karyawan. Populasi penelitian ini terdiri dari karyawan universitas negeri di Malaysia utara. Kuesioner yang dibuat didistribusikan pada responden menggunakan survei online selama beberapa hari. Penelitian ini mendistribusikan 870 kuesioner kepada responden yang ditargetkan (akademisi dan staf administrasi) dan hanya 242 yang bersedia untuk berpartisipasi dalam survei. Instrumen yang dikembangkan untuk penelitian ini terdiri dari tiga bagian. Bagian A termasuk satu set pertanyaan tentang jenis kelamin, usia, kualifikasi pendidikan, dan panjang pengalaman kerja. Bagian B termasuk pertanyaan untuk mengukur lingkungan kerja dan produktivitas karyawan. Skala lingkungan kerja, karena item dilaporkan pada keandalan diterima dengan nilai alpha Cronbach lebih dari 0,70. Bagian C termasuk tujuh pertanyaan untuk mengukur pembelajaran organisasi. Semua item diukur pada skala Likert lima poin mulai dari 1 "sangat tidak setuju" sampai 5 "sangat setuju". Data yang terkumpul kemudian dianalisis dengan menggunakan SPSS 19 dan pemodelan persamaan struktural melalui AMOS 18. Pada bagian berikut, analisis hasil disajikan.

ANALISIS HASIL:
            Profil responden yang mengisi kuesioner adalah 65 (26,9%) dari responden adalah laki-laki, sementara 177 (73,1%) adalah perempuan. Sebagian besar responden (50%) termasuk dalam kelompok usia 26 sampai 35 tahun, diikuti oleh 98 (40,5%) dalam kategori usia 36 sampai 45 tahun. Mereka yang usia berkisar antara 18 sampai 25 tahun menyumbang 2,9% dari total respon, dan hanya 16 (6,6%) yang 46 tahun ke atas. Pada profil pendidikan, 36 (14,9%) dari responden memperoleh gelar diploma, 79 (32,6%) memiliki kualifikasi sarjana, 125 (51,7%) memiliki gelar pascasarjana, dan hanya 2 (0,8%) memiliki sertifikat profesional lainnya. Mayoritas responden (69%) memiliki lebih dari 5 tahun pengalaman kerja di lembaga mereka saat ini. Digunakan alpha Cronbach untuk menguji keandalan konstruksi, dengan hasil penelitian menunjukkan bahwa nilai alpha Cronbach dari semua konstruksi yang memuaskan. Lingkungan kerja dengan nilai alpha Cronbach 0,83 dan pembelajaran organisasi juga mencapai nilai alpha Cronbach 0,88. Akhirnya, produktivitas karyawan dilaporkan pada keandalan diterima dengan nilai alpha Cronbach 0,75. Berdasarkan temuan ini, dapat dikatakan bahwa keandalan semua konstruksi memuaskan dan melebihi nilai cut-off terendah 0.70. Analisis faktor konfirmatori dilakukan untuk mengkonfirmasi keberadaan validitas konvergen. Prosedur untuk melakukan analisis faktor dieksekusi menggunakan AMOS 18 melalui model pengukuran yang mencakup semua item. Hasil penelitian menunjukkan bahwa faktor loadings dari semua item berkisar 0,48-0,82. Oleh karena itu, hasil analisis faktor yang dapat diterima untuk semua konstruksi. Langkah berikutnya adalah untuk menguji model struktural untuk memastikan kebaikan model fit menurut sejumlah nilai fit. Ditunjukkan bahwa model struktural dicapai cocok untuk data, dimana nilai Chi-square sama dengan 145,954. kriteria fit lainnya (df = 87, GFI = 0,926, AGFI = 0,897, TLI = 0,950, CFI = 959, dan RMSEA = 0,053) juga digunakan untuk memberikan dukungan lebih lanjut untuk Chi-square dan memenuhi asumsi kebaikan model fit . Dari temuan ini, dapat disimpulkan bahwa model dicapai diterima fit untuk data. Tabel regresi dihasilkan dari output dari model struktural. Ditunjukkan bahwa lingkungan kerja memiliki pengaruh positif yang signifikan terhadap produktivitas kerja karyawan (β = 0,213, t-value = 2,339, p <0,05), maka, H1 diterima. Selain itu, efek pembelajaran organisasi terhadap produktivitas kerja karyawan adalah positif dan signifikan secara statistik (β = 0,014, t-value = 4,125, p <0,05), akibatnya, H2 didukung. Secara keseluruhan, lingkungan kerja dan pembelajaran organisasi memiliki efek positif pada produktivitas karyawan dan memainkan peran penting dalam proses perbaikannya.

KESIMPULAN:
            Penelitian ini adalah untuk menguji pengaruh lingkungan kerja dan pembelajaran organisasi terhadap produktivitas kerja karyawan di sektor pendidikan tinggi. Dari hasil penelitian ini menunjukkan bahwa lingkungan kerja memiliki pengaruh positif yang signifikan terhadap produktivitas karyawan dan merupakan faktor yang paling penting untuk mengembangkan kepuasan dan produktivitas karyawan. Penelitian ini juga menunjukkan bahwa pembelajaran organisasi berpengaruh positif yang signifikan dan berperan penting dalam meningkatkan produktivitas karyawan.

KEKUATAN PENELITIAN:
1.    Jurnal ini memiliki data yang diambil langsung dari para responden yang mengisi kuesioner.
2.    Pengolahan data yang dilakukan juga memiliki sumber yang terpercaya sehingga hasil dari pengolahan data kuat.
3.    Masalah yang dianalisis dan dibahas pada jurnal ini jelas.
4.    Sistematika penulisa jurnal ini sudah terstruktur dengan baik sehingga pembaca dapat mengerti dengan isi penelitian ini

KELEMAHAN PENELITIAN:
1.    Penelitian pada jurnal ini hanya menggunakan kuesioner dalam pengambilan datanya, akan lebih bagus juga kalau penulis dapat mewawancarai langsung pegawai sehingga lebih paham lagi dengan masalah dan keinginan dari para pegawai.

SUMBER JURNAL:


Download PPT here:
https://drive.google.com/drive/folders/0B2vTmWoySnQHZ0tub0tSNW1iTEU?usp=sharing

Baca Terusannya »»  

Senin, 02 Januari 2017

REVIEW JURNAL

Diposting oleh DhillaTM di 11.05 0 komentar

"Classic Grounded Theory to Analyse Secondary Data: Reality and Reflections"

                On this opportunity i would like to make a review of a journal about “Classic Grounded Theory to Analyse Secondary Data: Reality and Reflections”. The article of this journal has many advantages, namely the sentence clearly and use words that are commonly used. So the readers can more easily understand the content of the journal. But sometimes the election of the words still created a confusion for the readers, so it’s make the differences of opinion between the readers.  
This journal draws on the experiences of two researchers and discusses how they conducted a secondary data analysis using classic grounded theory. The aim of the primary study was to explore first-time parents’ postnatal educational needs. A subset of the data from the primary study (eight transcripts from interviews with fathers) was used for the secondary data analysis. The objectives of the secondary data analysis were to identify the challenges of using classic grounded theory with secondary data and to explore whether the re-analysis of primary data using a different methodology would yield a different outcome. Through the process of re-analysis a tentative theory emerged on ‘developing competency as a father’. Challenges encountered during this re-analysis included the small dataset, the pre-framed data, and limited ability for theoretical sampling. This re-analysis proved to be a very useful learning tool for author 1(LA), who was a novice with classic grounded theory.
Grounded theory (GT) is a systematic methodology in the social sciences involving the construction of theory through the analysis of data. Grounded theory is a research methodology which operates almost in a reverse fashion from social science research in the positivist tradition. Primary data originates from a study in which a researcher collects information him/herself to answer a particular research question. Secondary data, on the other hand, is data that already exists (Glaser, 1963). Consequently, the secondary data analyst is not involved in the recruitment of participants or in the collection of the data. Secondary data analysis is the use of previously collected data, for some other purpose. It is not a method of data analysis, therefore methods such as grounded theory or statistical analysis, for example, can be applied to the process of secondary data analysis. The focus of classic grounded theory is on identifying the participants’ main concern and how they resolve that concern.
We can make a conclusion from the journal that the comparison between primary and secondary data analysis outcomes are when the primary and secondary data analysis findings are compared, there are some similarities and also some notable differences. The similarities include the fathers’ sense of not being involved by midwives, their lack of access to knowledge and skills and their adaptation to fatherhood although a change, it was a gradual one. Some of the notable differences in the classical grounded theory approach include: the move away from mere description of the data, the clear identification of a main concern and the conceptualisation of five processes used by fathers to resolve their concern. One explanation for the differences in the findings is the two different ways in which this data was examined. In the primary study, a specific pre-framed research question was applied whereas, in the secondary data analysis, a more open analytical approach was used allowing ideas to emerge from the data. In addition, the focus of the primary study was on postnatal educational needs, whereas the secondary data analysis had no preconceived framework. In the classical approach there was also a greater emphasis, during data analysis, on transcending and conceptualising as opposed to describing. There are two reasons for these differences, firstly, the application of the classic grounded theory approach which utilises a more open perspective and secondly, the passage of time facilitated a more objective approach to analysing the data.
Strauss (1987) recommends the use of integrative diagrams, as a way of integrating threads of the emergent theory and as a means of explaining ideas to others. However Glaser (1998) is of the view that diagrams oversimplify the theory, and may result in people not reading the intricacies of the theory developed. As a diagram had proved, in the first set of analysis, to be a useful tool in helping to visualise relationships between categories (see figure 1), it was decided to produce a diagram for the secondary analysis (figure 2). What is clear from both diagrams is that neither is sufficient to explain the outcome; however, interestingly the diagram produced from the secondary data analysis does give a greater feel for a core concern and how the various categories identified connected with that core concern.

Source:


Baca Terusannya »»  

Rabu, 26 Oktober 2016

TEKNIK INDUSTRI

Diposting oleh DhillaTM di 06.54 0 komentar
data:image/jpeg;base64,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

A.    Pengertian Teknik Industri

Teknik industri merupakan salah satu cabang ilmu teknik yang cukup baru dibandingkan ilmu-ilmu teknik lainnya seperti teknik mesin, teknik elektro dsb. Pada beberapa akhir dekade ini, ilmu teknik industri cukup populer dan bisa dibilang sedang menjadi trend tidak hanya di negara-negara industri maju tapi juga di negara-negara yang sedang berkembang termasuk Indonesia.

Teknik Industri adalah suatu disiplin ilmu yang mempelajari tentang perancangan, perbaikan dan instalasi sebuah sistem terintegrasi yang terdiri dari manusia (untuk manusia biasanya berhubungan erat dengan ergonomi), mesin, metode, alat, bahan, informasi, dan energi. Disiplin ilmu ini ditunjang oleh pengetahuan matematika, fisika, ilmu social, dan prinsip-prinsip metode analisis perancangan dan dan desain untuk membangun dan memperbaiki sistem.

Teknik industri memiliki sebutan lain seperti operations management, management science, dan systems engineering. Teknik Industri hanya berasal dari Amerika Serikat, di Eropa atau Inggris tidak dikenal Teknik Industri, tetapi mereka mengenal manufacturing engineering atau engineering management.



B.     Sejarah Teknik Industri

Teknik Industri tidak lengkap tanpa menyebut Fredrick Winslow Taylor. Taylor mungkin adalah pelopor Teknik Industri yang paling terkenal bahkan Fredrick Winslow Taylor sering ditetapkan sebagai Bapak Teknik Industri meskipun seluruh gagasannya tidak asli. Dia mempresentasikan gagasan mengenai pengorganisasian pekerjaan dengan menggunakan manajemen kepada seluruh anggota American Society of Mechanical Engineers (ASME). Dia menciptakan istilah "Scientific Management" untuk menggambarkan metode yang dia bangun melalui studi empiris. Kegiatannya meliputi topik-topik seperti pengorganisasian pekerjaan dengan manajemen, seleksi pekerja, pelatihan, dan kompensasi tambahan bagi seluruh individu yang memenuhi standar yang dibuat perusahaan. Scientific Management memiliki efek yang besar terhadap Revolusi Industri, baik di Amerika maupun di luar negara Amerika. Scientific management inilah yang selanjutnya berkembang dengan sebutan teknik industri atau industrial engineering.

Teknik industri lahir sejak persoalan industri, sejak manusia mewujudkan sesuatu untuk memenuhi keperluan hidupnya.persoalan produksi muncul pada jaman Pra-Yunani kuno,saat manusia menggunakan batu sebagai peralatanya. Pada masa itu manusia menggunakan batu untuk peralatan bekerja, pemotong atau pembelah.alat tersebut mengalami perbaikan secara terus menerus tidak lain hanya untuk meningkatkan produktivitas pada persoalan industri. Disiplin teknik industri berakar kuat pada masa revolusi industri(1750-an) beberapa penemu teknologi pada jaman revolusi industri,

Antara lain penemuan:

1        1. Mesin pintal oleh James hargreaves(1765)

2        2. Pengembangan water frame oleh Richard Arkwright (1769)

3        3.  Mesin uap oleh James Watt



Revolusi industri juga melahirkan penemu-penemu baru seperti, Samuel Morse pengembangan pesawat telegram (1840), penemu bola lampu oleh Thomas Alfa Edison(1880). Disisi lain berkembang pula pengembangan konsep-konsep untuk mencari proses kerja yang efektif dan efisien dari aspek manusia dan metode kerja. Beberapa dapat disebutkan antara lain:

1.      Adam smith mengemukakan konsep perancangan proses produksi
2.      Charles Babbage mengemukakan perlunya pembagian kerja
3.     Henry Towne mengemukakan pentingnya memperhatikan unsur probabilitas dari keputusan yang udah diambil
4.     Frederic W. Taylor (dikenal sebagai bapak teknik industri) mengemukakan pemikiran ‘Scientific Management’.di sini bidang engineering ikut bertanggung jawab dalam perancangan, pengukuran, perencanaan, penjadualan maupun pengendalian kerja.penelitian yang lain adalah pengaturan jam kerja yang optimum di fokuskan pada perbaikan metode kerja, mengurangi waktu kerja dan mengembangan standar kerja.
5.       Frank B. Gilbreth menekankan aspek metode kerja
6.    Henry Gantt mengembangkan prosedur penjadualan rencana kerja dengan menggunakan peta balok atau peta Gantt.
 
 

C.    Perkembangan Teknik Industri di Indonesia

Sejarah Teknik Industri di Indonesia di awali dari kampus Universitas Sumatera Utara (USU) Medan pada tahun 1965 dan dilanjutkan dengan Teknik Industri Institut Teknologi Bandung (ITB).

Sementara itu pada sekitar tahun 1963-1964 Bagian Teknik Mesin telah mulai menghasilkan sebagian sarjananya yang berkualifikasi pengetahuan manajemen produksi/teknik produksi. Bidang Teknik Produksi semakin berkembang dengan bertambahnya jenis mata kuliah. Mata kuliah seperti : Teknik Tata Cara, Pengukuran Dimensional, Mesin Perkakas, Pengujian Tak Merusak, Perkakas Pembantu dan Keselamatan Kerja cukup memperkaya pengetahuan mahasiswa Teknik Produksi.

Pada tahun 1966 – 1967, perkuliahan di Teknik Produksi semakin berkembang. Mata kuliah yang berbasis teknik industri mulai banyak diperkenalkan. Sehingga pada tahun 1967, nama Teknik Produksi secara resmi berubah menjadi Teknik Industri dan masih tetap bernaung di bawah Bagian Teknik Mesin ITB. Pada tahun 1968 – 1971, dimulailah upanya untuk membangun Departemen Teknik Industri yang mandiri. Upaya itu terwujud pada tanggal 1 Januari 1971.



D.    Opini

Teknik industri merupakan disiplin ilmu keteknikan yang baru dibandingan disiplin illmu keteknikan lain. Mulainya teknik industri beriringan dengan revolusi yang berusaha mencari strategi atau metode untuk meningkatkan produktivitas kerja yang akan lebih efisien dan berpengaruh untuk hal lainnya. Perkembangan awal yang dimulai dengan pemikiran bagaimana memperlakukan manusia seperti halnya manusia yang bisa di program secara bersama. Pengetahuan baru terhadap konsep atau prinsip manajemen ilmiah, prilaku, maupun pada saat berinteraksi dengan lingkungan kerja fisik (kondisi ergonomis), maupun pada saat berinteraksi dengan sesama manusia yang lain saat berada pada lingkungan kerja akan memberi pengaruh yang singnifikasi didalam segala upaya meningkatkan produktifitas kerja. Teknik industri dapat dikatakan mencakup semua aspek mulai dari manajemen, psikologi, proses kerja, dll. Dalam dunia industri juga kita membicarakan perencanaan dan perancangan industri, dengan disiplin ilmu teknik industri ini dapat membantu kita para engineer untuk memecahkan berbagai masalah industri di dunia kerja ini. Ilmu teknik industri akan selalu berkembang beriringnya perkembangan zaman pada saat sekarang ini. Semakin majunya teknologi juga berpengaruh pada disiplin ilmu teknik industri karena ilmu ini akan selalu melakukan inovasi dalam berbagai bidang dan memecahakan berbagai masalah yang terjadi dengan metode-metode yang ada. Disiplin ilmu ini juga memanfaatkan berbagai aplikasi yang berkaitan dalam penyelesaian masalah. Maka, teknik industri sangat dibutuhkan untuk meningkatakan produktivitas kerja, perencanaan, inovasi, dan berbagai hal lainnya. Teknik industri selalu mengikuti perkembangan zaman yang membuat sehingga disiplin ini akan selalu melakukan perkembangan dan inovasi.


 Referensi:
Baca Terusannya »»  
 

Ordinary Girl Copyright © 2012 Design by Antonia Sundrani Vinte e poucos