Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online https://doi.
org/10.
22219/JTIUMM.
Vol19.
No2.
Kesuksesan Knowledge Transfer Di Laboratorium Perguruan Tinggi Melalui Pengelompokan Rekan Kerja Menggunakan Agent-Based Modeling And Simulation Fadillah Ramadhan1*.
Afrin Fauzya Rizana2.
Rispianda1.
Yoanita Yuniati1 1Program Studi Teknik Industri.
Fakultas Teknologi Industri.
Institut Teknologi Nasional (Itena.
Jl.
PKH.
Mustopha No.
23 Bandung, 022-7272215/Fax 022-7202892 2Program Studi Teknik Industri.
Fakultas Rekayasa Industri.
Telkom University Jl.
Telekomunikasi No.
Terusan Buah Batu Bandung, 022-7564108 *Korespondensi Penulis, surel: fr.
fadillahramadhan@gmail.
Abstract One of aspect that contributes to improving organizations performance is knowledge transfer effectiveness.
On the other hand, knowledge transfer is a dynamic interaction between people, process, and environment so that activity related to knowledge transfer categorized as a complex and adaptive process.
The use of agent-based modeling and simulation approach is very appropriate in modeling knowledge transfer due to its ability to deal with the dynamic, complex, and adaptive process.
Moreover, the agentbased approach has the ability in describing the interaction between the social agent that possess particular behavior.
The purposes of this study are to identify the factors that influence the success of knowledge transfer in the university laboratory.
addition, the results show that agent-based modeling and simulation approach can determine the best scenario that can increase the success of knowledge transfer based on grouping of colleagues.
Keywords: Agent-based simulation, complex systems, knowledge transfer Abstrak Salah satu aspek yang berkontribusi dalam peningkatan kinerja organisasi adalah proses knowledge transfer secara efektif.
Disatu sisi, proses knowledge transfer merupakan suatu interaksi dinamis antara orang, proses, dan lingkungan sehingga membuat persoalan terkait aktivitas knowledge transfer menjadi suatu proses yang kompleks dan adaptif.
Penggunaan pendekatan agent-based modeling and simulation sangat tepat dalam memodelkan proses knowledge transfer karena pendekatan berbasis agen mampu menyelesaikan permasalahan dinamis, kompleks dan adaptif.
Selain itu, pendekatan berbasis agen memiliki kemampuan dalam menggambarkan interaksi antar agent yang merupakan entitas sosial yang memiliki perilaku tertentu.
Tujuan dari penelitian ini adalah untuk mengidentifikasi faktor-faktor yang memengaruhi kesuksesan knowledge transfer di laboratorium perguruan tinggi.
Selain itu, hasil dari penelitian ini menunjukkan bahwa pendekatan agent-based modeling and simulation dapat menentukan skenario terbaik yang bisa meningkatkan kesuksesan knowledge transfer berdasarkan pengelompokan rekan kerja.
Kata kunci: Simulasi berbasis agen, sistem kompleks, knowledge transfer Pendahuluan Kondisi bisnis yang semakin dinamis menuntut perusahaan dapat memanfaatkan dan mengembangkan seluruh sumber daya yang dimiliki secara efektif untuk meningkatkan kinerja perusahaan dan keunggulan kompetitif .
Salah satu aspek yang berkontribusi dalam peningkatan kinerja organisasi adalah kemampuan perusahaan untuk melakukan knowledge transfer secara efektif dari satu unit ke unit lainnya dan dari satu individu ke individu lainnya .
Knowledge transfer merupakan hal penting Diterima 28 Juli, 2018.
Direvisi 10 Agustus, 2018.
Disetujui 20 Agustus, 2018 Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online dalam meningkatkan kinerja unit atau individu yang menerima knowledge tersebut .
Melalui knowledge transfer yang efektif, perusahaan dapat meningkatkan kualitas hasil pekerjaan yang dilakukan oleh pekerja, efisiensi dalam proses pengambilan keputusan, meningkatkan keakuratan kinerja pekerjaan, dsb .
Meskipun knowledge transfer dapat memberikan manfaat bagi organisasi, pada praktiknya knowledge transfer tidak mudah untuk dilakukan di organisasi.
Berdasarkan studi yang dilakukan oleh Galbraith pada 1990, 33.
3% upaya knowledge transfer dalam perusahaan tidak berhasil dan tidak dilanjutkan .
Kesulitan dalam proses knowledge transfer dapat terjadi karena banyak anggota organisasi yang memiliki pengetahuan terhadap suatu hal, namun sulit mengekspresikan pengetahuan yang dimilikinya kepada orang lain .
Oleh karena itu, pemahaman mengenai bagaimana mekanisme untuk mendorong kesuksesan knowledge transfer menjadi hal yang penting untuk diidentifikasi.
Salah satu aspek yang menentukan kesuksesan dari proses knowledge transfer adalah karakteristik dari individu penyedia pengetahuan dan karakteristik dari individu penerima pengetahuan yang terlibat dalam proses knowledge transfer .
Oleh karena itu, penentuan proses knowledge transfer perlu memerhatikan siapa yang akan menjadi penyedia pengetahuan dan siapa yang akan menjadi penerima pengetahuan.
Dengan demikian, pengelompokan penyedia dan penerima yang tepat akan memainkan peran penting dalam menentukan kesuksesan knowledge transfer dan menggiring pada peningkatan kinerja organisasi.
Beberapa penelitian terdahulu telah melakukan identifikasi terhadap kesuksesan knowledge transfer.
Sebagian besar penelitian terkait dengan proses knowledge transfer menggunakan pendekatan statistika dalam menjelaskan peran dari variable independent terhadap variable dependent .
Disatu sisi, proses knowledge transfer merupakan suatu interaksi dinamis antara orang, proses, dan lingkungan .
Interaksi dinamis tersebut membuat persoalan terkait knowledge transfer menjadi tidak mudah untuk diselesaikan melalui metode statistic .
, sedangkan penggunaan pendekatan dinamis untuk menjelaskan proses knowledge transfer masih jarang digunakan .
Sebagai alternatif penggunaan metode statistika, beberapa penelitian menggunakan pendekatan agentbased modeling dalam konteks knowledge management, termasuk knowledge transfer yaitu Ramadhan, et al.
Samadhi and Lalu .
Wang, et al.
, dan Levine and Prietula .
Penggunaan pendekatan agent-based modeling dirasa tepat dalam memodelkan proses knowledge transfer karena pendekatan agent-based mampu menyelesaikan permasalahan dinamis dan memiliki kemampuan dalam menggambarkan interaksi antar agent yang merupakan entitas sosial yang memiliki perilaku tertentu .
Albino, et al.
mengembangkan beberapa skenario perilaku dengan menggunakan agent-based simulation.
Pendekatan simulasi agent-based model menunjukkan bahwa organisasi perlu untuk memodifikasi perilaku mereka dalam proses pembelajaran dan inovasi untuk meningkatkan keunggulan kompetitif.
Studi lain menggunakan simulasi agent-based untuk menyimulasikan perilaku berbagi pengetahuan yang dilakukan oleh karyawan di organisasi .
Penelitian tersebut mencoba untuk melakukan identifikasi terhadap pengaruh dari perilaku knowledge transfer berdasarkan beberapa aktivitas organisasi.
Hasil dari penelitian tersebut menunjukkan bahwa interaksi antar karyawan merupakan interaksi yang bersifat nonlinier, adaptif, dan sulit diprediksi .
Zhu and Hu .
menggunakan agent-based modeling and simulation pada proses pencarian human flesh.
Aktivitas pencarian human flesh terdiri dari proses mencari beberapa informasi yang dimiliki olah orang lain berdasarkan pencarian pengetahuan umum.
Penelitian tersebut menyimulasikan proses pencarian human flesh dan menemukan hasil bahwa pengetahuan dan emosi merupakan dua kunci utama untuk menemukan informasi.
Dalam area proses pembelajaran.
Fuller.
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online et al.
menyelidiki simulasi rantai nilai dengan agen pembelajar.
Penelitian tersebut mengusulkan agent-based simulation dapat digunakan untuk menyimulasikan strategi yang dapat diterapkan pada agen pembelajar untuk meningkatkan rantai nilai pada suatu organisasi.
Berdasarkan beberapa penelitian terdahulu, terdapat beberapa masalah yang muncul terkait dengan penerapan agent-based modeling and simulation, seperti penentuan nilai parameter untuk simulasi.
Perilaku seseorang sulit untuk diukur.
Nilai parameter yang salah dalam menilai perilaku seseorang dapat memengaruhi kualitas Pada perilaku manusia, peningkatan nilai yang terjadi pada suatu aspek yang disebabkan oleh aspek lainnya sulit untuk ditentukan.
Maka dari itu, proses penentuan parameter merupakan hal yang penting untuk memastikan hasil penelitian yang diperoleh memiliki kualitas yang baik.
Hal tersebut karena validitas model simulasi yang dibangun ditentukan oleh keakuratan nilai parameter yang digunakan, sehingga perlu diperoleh cara untuk mendapatkan nilai parameterisasi pada aspek-aspek yang terkait dengan perilaku seseorang.
Samadhi and Lalu .
menggunakan agent-based modeling and simulation untuk menguji hipotesis-hipotesis yang terkait dengan aktivitas berbagi Penelitian tersebut membuktikan bahwa agent-based modeling and modeling dapat memiliki kemampuan dalam melihat hubungan antara variable independent dan dependent.
Path coefficient antara variabel independent dan dependen dapat digunakan dalam menentukan nilai parameterisasi.
Maka dari itu, dapat disimpulkan bahwa metode statistika dapat digunakan untuk penentuan nilai parameterisasi yang lebih akurat.
Korelasi, koefisien determinasi, dan nilai koefisien variabel dapat digunakan sebagai nilai uncontrollable input dalam model simulasi.
Penelitian ini mencoba untuk melakukan penerapan pengelompokan rekan kerja pada organisasi dalam proses knowledge transfer.
Penentuan rekan kerja dalam suatu organisasi merupakan hal yang penting karena dalam organisasi terdapat berbagai macam aktivitas yang harus diselesaikan secara berkelompok.
Kinerja dalam suatu kelompok tentunya akan memengaruhi kinerja organisasi secara keseluruhan, begitu pula kesuksesan knowledge transfer antar rekan kerja dalam suatu kelompok akan memengaruhi kinerja organisasi secara keseluruhan.
Sebagian besar dari penelitian terdahulu belum mempertimbangkan bagaimana penentuan rekan kerja yang dapat meningkatkan kesuksesan knowledge transfer dalam kelompok.
Maka dari itu, penelitian ini berupaya untuk menentukan rekan kerja yang tepat bagi anggota organisasi melalui pendekatan agent-based and simulation.
Objek penelitian ini adalah anggota laboratorium pada salah satu perguruan tinggi di Indonesia.
Penggunaan anggota laboratorium sebagai objek penelitian melalui pertimbangan adanya pengelompokan anggota laboratorium dalam penyelesaian kegiatan-kegiatan yang ada di laboratorium Maka dari itu, tujuan dari penelitian ini yaitu: .
Mengidentifikasi faktor-faktor yang memengaruhi kesuksesan knowledge transfer di laboratorium perguruan tinggi.
Menentukan skenario terbaik untuk meningkatkan kesuksesan knowledge transfer berdasarkan pengelompokan rekan kerja menggunakan pendekatan agent-based modeling and simulation.
Metode Penelitian Penelitian ini terdiri dari dua tahap.
Tahap 1 adalah pemrosesan data menggunakan partial least square berdasarkan model konseptual untuk mendapatkan nilai koefisien dari setiap variable.
Tahap 2 adalah menggunakan agent-based modeling and simulation berdasarkan model simulasi untuk mendapatkan skenario terbaik dalam meningkatkan kesuksesan proses knowledge transfer.
Ramadhan et al.
Kesuksesan Knowledge Transfer di Laboratorium Perguruan Tinggi.
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online 1 Model kesuksesan knowledge transfer Model kesuksesan knowledge transfer yang digunakan pada penelitian ini dapat dilihat pada Gambar 1.
Pada model penelitian ini, terdapat enam faktor yang memengaruhi kesuksesan proses knowledge transfer di antaranya adalah motivation to share, learning culture, time availability, ability to share, absorptive capacity, dan knowledge ambiguity.
Time availability H3( ) Motivation to share
H2(
The success of knowledge transfer
H4(
H5(
Ability to share Absorptive capacity H6(-) Learning culture H1( Knowledge ambiguity Gambar 1 Model kesuksesan knowledge transfer Motivation to share didefinisikan sebagai keinginan seorang sumber pengetahuan untuk membagikan ilmu yang dimilikinya kepada orang lain .
Motivasi tersebut merupakan suatu dorongan yang muncul dari diri seseorang untuk berbagi dengan orang Berdasarkan studi terdahulu, motivasi yang dimiliki oleh seorang sumber pengetahuan akan memengaruhi keberhasilan proses knowledge transfer .
Maka dari itu dapat disimpulkan bahwa semakin besar motivation to share yang dimiliki oleh seseorang saat proses knowledge transfer terjadi, maka semakin besar juga kesuksesan knowledge transfer yang akan dicapai.
Selain motivasi, learning culture merupakan aspek penting dalam mendorong terjadinya knowledge transfer di suatu organisasi .
Learning culture biasanya dibangun oleh organisasi untuk meningkatkan kesuksesan knowledge transfer .
Beberapa studi terdahulu telah membuktikan bahwa organisasi yang menerapkan dan memprioritaskan learning culture, memiliki tingkat produktivitas dan profitabilitas yang tinggi .
Berdasarkan penjelasan tersebut, maka dalam penelitian ini disusun hipotesis sebagai berikut:
H1.
Motivation to share yang dimiliki oleh sumber pengetahuan berpengaruh secara positif terhadap kesuksesan knowledge transfer.
H2.
Learning culture berpengaruh secara positif terhadap kesuksesan knowledge transfer.
Time availability didefinisikan sebagai tingkat di mana baik penyedia pengetahuan maupun penerima pengetahuan memiliki waktu yang mereka gunakan untuk melakukan proses knowledge transfer.
Knowledge transfer dapat dilakukan dengan cara yang formal maupun informal.
Kegiatan knowledge transfer yang dilakukan secara formal berarti kegiatan knowledge transfer dilakukan secara terstruktur dan melalui kegiatan yang terjadwal dan terorganisasi .
, sebaliknya knowledge transfer yang dilakukan secara informal sangat bergantung pada ketersediaan waktu yang dimiliki oleh Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online penyedia dan penerima pengetahuan .
Tidak tersedianya waktu yang cukup dan jarak yang jauh antara penyedia dan penerima pengetahuan akan mengakibatkan penurunan frekuensi interaksi antar keduanya pada pertemuan-pertemuan mereka di kesempatan lain .
Berdasarkan penjelasan tersebut, maka dalam penelitian ini disusun hipotesis H3 sebagai berikut:
H3.
Time availability antara penyedia dan penerima pengetahuan berpengaruh secara positif terhadap kesuksesan knowledge transfer.
Ability merupakan kemampuan, keterampilan, atau pengetahuan dasar yang dimiliki oleh seseorang terkait dengan suatu tindakan tertentu.
Meskipun penyedia pengetahuan memiliki motivasi yang tinggi untuk berbagi pengetahuan dan memiliki banyak kesempatan untuk membagikan pengetahuannya kepada penerima, tanpa adanya kemampuan untuk memberikan pengetahuan, maka tidak akan tercipta proses knowledge transfer yang efektif .
Selain know-how, know-how to share pun merupakan hal yang penting dan dapat menentukan kesuksesan proses knowledge transfer.
Selain kemampuan mengirimkan pengetahuan, absorptive capacity didefinisikan sebagai kemampuan seseorang untuk mengenali, mengasimilasi dan menerapkan pengetahuan yang diperoleh dalam melakukan pekerjaan .
Kemampuan penerima pengetahuan dalam mengenali pengetahuan baru, mengasimilasi, dan menggunakan pengetahuan tersebut untuk melakukan pekerjaan tentunya menjadi salah satu hal yang memengaruhi kesuksesan proses knowledge transfer .
Maka dari itu, pada penelitian ini disusun hipotesis sebagai berikut:
H4.
Ability to share yang dimiliki oleh penyedia pengetahuan berpengaruh secara positif terhadap kesuksesan knowledge transfer.
H5.
Absorptive capacity penerima pengetahuan berpengaruh secara positif terhadap kesuksesan knowledge transfer.
Knowledge ambiguity didefinisikan sebagai suatu ketidakpastian mengenai konten inti dan struktur dari suatu pengetahuan serta kurangnya pemahaman mengenai sifat hubungan kausal antara tindakan dan hasil .
Berdasarkan penelitian terdahulu, knowledge ambiguity merupakan penghambat utama terhadap tercapainya kesuksesan knowledge transfer .
Berdasarkan argument tersebut, maka dalam penelitian ini disusun hipotesis H6 sebagai berikut:
H6.
Knowledge ambiguity berpengaruh secara negatif terhadap knowledge transfer.
2 Model simulasi North and Macal .
menjelaskan bahwa dalam membangun agent-based modeling and simulation, diawali dengan penentuan output, input, dan karakteristik Dalam penentuan agen tersebut, ditentukan pula atribut dari setiap agen beserta perilaku yang akan memengaruhi sistem.
Setelah ditentukannya karakteristik agen, tahap berikutnya adalah proses implementasi, parameterisasi, dan validasi model.
1 Penentuan output, input, dan karakteristik agen Output dari model simulasi dihasilkan berdasarkan nilai dari input yang dapat dikendalikan .
ariabel keputusa.
dan input yang tidak dapat dikendalikan .
Pada penelitian ini, kesuksesan knowledge transfer dan knowledge level dijadikan output Ramadhan et al.
Kesuksesan Knowledge Transfer di Laboratorium Perguruan Tinggi.
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online dari model simulasi, di mana proses kombinasi pengelompokan agen yang berperan sebagai penyedia dan penerima pengetahuan dijadikan sebagai variabel keputusan.
Dalam agent-based modeling and simulation, terdapat beberapa aspek yang harus didefinisikan, yaitu agen, atribut agen, dan perilaku agen .
Dalam penelitian ini, hanya terdapat satu jenis agen, yaitu seorang anggota organisasi yang dapat berperan sebagai penyedia dan penerima pengetahuan.
Agen penyedia diartikan sebagai seseorang yang memiliki pengetahuan yang akan dikirimkan.
Agen penerima berperan sebagai seseorang yang menerima pengetahuan dari agen penyedia.
Tabel 1 dan Tabel 2 menunjukkan karakteristik atribut dan perilaku agen.
Tabel 1 Atribut agen Atribut Deskripsi ID dari setiap agen.
Act status Berperan sebagai penyedia atau penerima pengetahuan.
Source .
Motivasi untuk memberikan pengetahuan dari agen.
Recipient .
Kemampuan agen untuk mempelajari pengetahuan baru.
Time availability Ketersediaan waktu antar agen dalam knowledge transfer.
Ability to share Kemampuan agen untuk membagikan pengetahuan.
Absorptive capacity Kemampuan untuk mengasimilasi pengetahuan baru.
Knowledge ambiguity Kompleksitas dari pengetahuan yang dikirimkan.
Knowledge level Level pengetahuan agen yang dimiliki.
Tabel 2 Perilaku agen Agen Perilaku Agen yang berperan sebagai Agen yang berperan sebagai Peran semua agen Agen penyedia dapat berinteraksi dengan agen penerima dan akan mengirimkan pengetahuan yang dibutuhkan.
Agen akan menentuan apakah proses pengiriman pengetahuan akan dilakukan atau tidak tergantung ketersediaan waktu.
Agen penerima akan berinteraksi dengan agen penyedia untuk menerima pengetahuan.
Agen penerima akan mencari agen penyedia yang memiliki pengetahuan yang sangat baik.
Nilai motivation, opportunity, dan ability dapat berubah karena kondisi karakteristik setiap agen tidak statis.
2 Pengembangan alur model simulasi dalam kesuksesan knowledge transfer Pada penelitian ini, model matematis berdasarkan model konseptual .
erupakan hasil partial least squar.
memengaruhi model simulasi keseluruhan.
Model matematis untuk kesuksesan knowledge transfer adalah sebagai berikut:
KTS = .
oeffMS) MS .
oeffTA) TA .
oeffAS) AS .
oeffAC) AC Ae .
oeffKA) KA Keterangan:
MS = Motivation to share.
LC = Learning culture.
TA = Time availability.
AS = Ability to share.
AC = Absorptive capacity.
KA = Knowledge ambiguity.
KTS = Knowledge transfer success Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online Setiap koefisien variabel .
dapat ditentukan berdasarkan path coefficient hasil partial least square.
Untuk mendapatkan nilai dari kesuksesan knowledge transfer, aktivitas antara agen penyedia dan agen pengirim membutuhkan suatu jenis pengetahuan yang berpindah.
Alur model ini dapat dilihat pada Gambar 2.
KTS = .
oeffMS)MS .
oeffAS)AS .
oeffLC)LC .
oeffAC)AC .
oeffTA)TA Ae .
oeffKA)KA KA = ave.
imension of KA scal.
TA = ave.
imension of source TA scal.
imension of recipient TA scal.
) AC = ave.
imension of AC scal.
LC = ave.
imension of LC scal.
AS = ave.
imension of AS scal.
MS = ave.
imension of MS scal.
Knowledge Transfer Processes Time Availability Source Agent Knowledge Recipient Agent Motivation to share Learning culture Ability to share Absorptive capacity Gambar 2 Pengembangan alur model simulasi dalam kesuksesan knowledge transfer Berdasarkan Gambar 2, nilai variabel didapatkan berdasarkan rata-rata nilai item kuesioner dalam skala likert, di mana nilai koefisien variabel didapatkan berdasarkan path coefficient sebagai hasil pengolahan partial least square.
Standardize KTS dijadikan ukuran performansi dengan menghitung nilai KTS/max(KTS).
Proses alur secara keseluruhan dalam bentuk activity diagram dapat dilihat pada Gambar 3.
Penentuan nilai dari atribut agen berdasarkan motivation, time availability, ability, dan knowledge Penentuan jumlah pengetahuan yang akan dikirimkan (TotalNumOfKno.
NumKnow = NumKnow 1 Agen penyedia mengirimkan pengetahuan (NumKno.
terhadap agen penerima dan mendapatkan KTS KTS = low KTS = high Knowledge transfer success .
gen penerima mendapatkan pengetahuan bar.
Knowledge transfer unsuccess .
gen penerima tidak mendapatkan pengetahuan bar.
NumKnow < TotalNumKnow NumKnow = TotalNumKnow Gambar 3 Proses alur knowledge transfer secara keseluruhan Ramadhan et al.
Kesuksesan Knowledge Transfer di Laboratorium Perguruan Tinggi.
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online Proses pertama yang dilakukan adalah penentuan nilai dari atribut setiap agen.
Level dari atribut agen ditentukan berdasarkan item pertanyaan di kuesioner.
Proses tersebut dilanjutkan dengan penentuan jumlah pengetahuan yang akan dikirimkan.
Besar nilai pengetahuan dihitung berdasarkan selisih pengetahuan yang dimiliki antara agen penyedia dan agen penerima .
ap of knowledge leve.
Setelah itu, kesuksesan knowledge transfer dihitung dan terdapat dua keputusan.
Jika KTS bernilai tinggi maka proses knowledge transfer tersebut berhasil.
Jika KTS bernilai rendah, maka proses knowledge transfer tersebut tidak berhasil.
Selanjutnya proses berulang sesuai dengan jumlah knowledge yang akan dikirimkan.
Penjelasan rinci mengenai perilaku setiap agen dapat dilihat pada Gambar 4 dan Gambar 5.
Berdasarkan Gambar 4 dan Gambar 5, terdapat tiga perilaku penting yang dilakukan oleh agen: .
Proses pengiriman pengetahuan dari agen penyedia kepada agen penerima berdasarkan total jumlah agen penerima dan jumlah pengetahuan yang akan dikirimkan, di mana hasil kesuksesan atau ketidaksuksesan knowledge transfer ditentukan berdasarkan success index dari proses .
Agen penerima mendapatkan pengetahuan baru dari agen penyedia, di mana jika proses transfer berhasil maka pengetahuan agen penerima .
nowledge leve.
akan dan .
dalam kondisi pertemuan informal, agen penerima akan mencari pengetahuan baru dari agen penyedia yang reliabel .
emiliki knowledge level yang tingg.
berdasarkan nilai motivation, learning culture, dan time availability.
Dalam penentuan semua nilai atribut agen, seperti motivation, opportunity, dan ability, mungkin akan berubah nilainya karena semua karakteristik agen tidak bernilai statis .
engikuti uniform distributio.
Number of recipient = NumOfRecipient RecipientID = RecipientID 1 NumOfKnowledge KnowID = KnowID 1 Determine MS.
AS, and relationship attribute with RecipientID (TA.
KA) Level of RecipientID LC.
AC KTS = .
oeffMS)MS .
oeffLC)LC .
oeffTA)TA .
oeffAS)AS .
oeffAC)AC Ae .
oeffKA)KA Standardize KTS = KTS/max(KTS) Standardize KTS = Low Standardize KTS = High Transfer result .
Transfer result .
KnowID < NumOfKnowledge KnowID = NumOfKnowledge RecipientID < NumOfRecipient RecipientID = NumOfRecipient Gambar 4 Activity diagram pengiriman pengetahuan dari agen penyedia .
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online Recipient looking for reliable source in informal coordinating activities Recipient receive the knowledge in coordination meeting activities Sort the source according to the highest knowledge level Level of LC.
AC.
NumOfKnowledge Transfer result Opp = ave.
ource TA recipient TA) MS LC Transfer result = fail Transfer result = success Knowledge Level = Knowledge Level 1 Opp = 1 Opp = 2 CuttOff = 0.
CuttOff = 0.
Opp = 4 Opp = 3 CuttOff = 0.
CuttOff = 0.
Opp = 5 CuttOff = 1.
BilRandom = U.
, .
Knowledge transfer has occurs Knowledge transfer has not occurs Gambar 5 Activity diagram penerimaan pengetahuan dari agen penerima .
Hasil dan Pembahasan Model konseptual penelitian dan model simulasi yang telah dibangun akan diolah untuk memperoleh hasil identifikasi dari hipotesis mana yang diterima .
erdasarkan pemrosesan partial least squar.
Hasil tersebut akan dimanfaatkan untuk mendapatkan skenario pengelompokan rekan kerja terbaik berdasarkan pendekatan simulasi.
Pemrosesan data menggunakan partial least square Objek penelitian ini adalah asisten laboratorium pada perguruan tinggi yang didalamnya terdapat proses knowledge transfer.
Sejumlah item pernyataan telah diidentifikasi berdasarkan literature untuk mengukur konstruk dari model konseptual.
Pengumpulan data secara sampling dilakukan untuk menguji validitas dan reliabilitas dari alat ukur yang dirancang, dan nilai signifikani dari hipotesis yang dibangun.
Proses sampling dilakukan dengan mengirimkan item pernyataan dalam bentuk kuesioner.
Purposive sampling dilakukan untuk memastikan bahwa kuesioner diisi oleh responden yang tepat yang berperan sebagai asisten laboratorium di perguruan tinggi dan menerapkan proses pengelompokan rekan kerja di aktivitas laboratoriumnya.
Hasil dari penilaian model pengukuran partial least square semua indikator dapat mengukur konstruknya di mana nilai AVE.
Cronbach alpha, dan construct reliability terendah adalah 0,636.
0,712.
dan 0,712 masing-masing.
Berdasarkan pengolahan model struktural pada partial least square didapatkan bahwa semua hipotesis yang dibangun diterima, yang mengartikan semua faktor yang dibangun pada model konseptual terbukti berpengaruh terhadap kesuksesan knowledge transfer.
Faktor yang paling dominan adalah faktor ability to share (H.
dengan nilai p-value sebesar 0,001.
Nilai koefisien jalur dari setiap variabel dari tahap ini akan digunakan untuk nilai parameterisasi dalam model simulasi.
Struktural model yang didapatkan adalah sebagai berikut.
Ramadhan et al.
Kesuksesan Knowledge Transfer di Laboratorium Perguruan Tinggi.
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online KTS = 0,040MS 0,231 LC 0,113TA 0,397AS 0,123AC Ae 0,115KA Pemrosesan data menggunakan agent-based modeling and simulation Untuk mendapatkan skenario terbaik dalam implikasi manajerial, agent-based modeling and simulation harus dibangun dan dibangkitkan beberapa skenario.
Model simulasi berbasis agen harus divalidasi dengan membandingkan antara output simulasi dengan output di kondisi nyata.
Perangkat lunak yang digunakan untuk pembangunan model simulasi ini adalah Visual Studio dengan teknik pemrograman object-oriented programming dan menggunakan fitur class untuk mendefinisikan perilaku agen.
Tiga uji validasi model simulasi dilakukan untuk menguji validitas model.
Tiga teknik validasi terdiri dari uji replikasi, uji validasi ekstrem, dan komparasi dengan kondisi nyata .
Uji replikasi Uji replikasi pada model simulasi dilakukan untuk menguji anomali yang diakibatkan oleh bilangan random.
Hasil dari uji replikasi dengan menggunakan 30 data hasil simulasi dapat dilihat pada Tabel 3.
KTS
61,56
61,76
59,92
61,89
63,09
62,82
60,19
60,42
61,48
60,61
61,82
63,81
61,76
61,06
62,25
62,18
63,12
62,69
60,57
62,87
62,60
61,80
63,00
61,42
61,93
63,15
60,20
63,70
60,93
61,18
Tabel 3 Hasil uji replikasi model simulasi
Average Level of Knowledge Module 1
89,14
90,00
89,64
89,86
89,86
89,57
89,22
89,25
89,68
89,16
88,43
89,29
88,36
89,93
89,00
88,67
88,46
88,53
89,69
89,17
89,76
89,13
89,09
88,96
89,15
89,69
89,29
88,69
89,38
89,23
Module 2
89,36
89,64
89,71
89,71
89,43
89,53
89,45
89,48
89,61
89,58
89,14
88,93
88,57
89,64
89,29
89,19
88,70
88,75
89,60
89,16
88,62
89,48
88,94
88,98
88,66
88,75
89,16
88,90
89,14
89,02
Module 3
89,07
89,97
90,00
90,00
89,86
89,11
89,41
89,22
89,34
89,35
88,29
89,07
88,36
89,93
89,00
88,95
88,34
89,21
88,30
88,57
89,92
88,66
89,72
88,47
89,01
89,00
89,69
88,29
88,91
88,71
Module 4
89,07
89,93
89,86
89,86
89,93
89,16
89,25
89,40
89,20
89,72
88,14
89,00
88,07
89,79
88,71
88,97
88,87
89,51
89,20
88,29
88,77
89,69
88,78
88,33
89,08
88,70
88,30
88,33
88,41
89,15
Module 5
88,14
88,64
88,71
89,07
88,93
88,83
88,39
88,20
88,97
88,50
87,93
88,21
87,57
88,93
87,71
88,72
88,51
87,70
88,94
88,94
88,35
88,93
88,96
87,65
87,88
88,04
88,63
88,48
87,94
87,86
Module 6
88,86
89,86
89,71
89,86
89,71
89,80
89,24
89,66
89,59
89,53
88,00
89,07
87,93
89,79
88,71
89,23
88,06
88,69
89,64
88,37
88,61
88,71
89,45
89,64
88,39
89,47
89,03
89,05
88,17
88,95
Module 7
86,86
88,14
87,64
88,00
88,07
87,02
87,04
87,74
87,54
87,21
86,79
87,57
86,57
88,00
87,43
87,46
87,97
87,33
86,85
86,75
88,00
87,40
86,65
86,79
87,58
86,90
87,52
87,67
86,67
86,61
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online Peta kendali digunakan untuk mengidentifikasi kualitas dari output simulasi Pengujian ini dilakukan untuk memastikan bahwa bilangan random tidak secara signifikan mereduksi kualitas dari solusi model simulasi.
Gambar 6 memperlihatkan bahwa output simulasi tetap berada dalam kendali.
Dengan demikian tidak ada anomali pada model simulasi yang disebabkan oleh bilangan random.
Dengan demikian dapat dikatakan bahwa model simulasi ini lolos uji replikasi.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
KTE Index
LCL
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Average of module UCL
LCL
UCL
Gambar 6 Peta kendali untuk pengujian replikasi Uji validitas ekstrem Uji validitas ekstrem dilakukan untuk menguji apakah perubahan input secara drastic akan memengaruhi output model secara logis.
Perubahan drastic ini secara logis harus sesuai dengan perilaku dari kondisi nyata.
Hasil dari uji validitas ekstrem dapat dilihat pada Tabel 4.
Tabel 4 Hasil uji validitas ekstrem
Category Normal
Very low MS,AS Very high MS,AS Very low TA
Very high TA
Very high KA
Very low KA
KTS
Index
61,18
-95,24%
8,45%
-55,92%
1,41%
-28,72%
12,78%
Average Level of Knowledge (Percentage decrease/increas.
Module 1
Module 2
Module 3
Module 4
89,23
-12,59%
0,86%
-12,35%
0,20%
-35,32%
0,11%
89,02
-9,65%
0,46%
-9,65%
0,30%
-36,69%
1,02%
88,71
-10,46%
0,33%
-10,22%
0,33%
-31,47%
0,41%
89,15
-10,90%
0,63%
-10,90%
0,80%
-33,34%
0,84%
Module 87,86 -10,98% 0,49% -10,98% 0,65% -32,12% 1,14% Module 6
Module 7
88,95
-13,67%
0,04%
-13,67%
0,02%
-21,46%
0,06%
86,61
-8,79%
0,87%
-8,79%
0,29%
-28,17%
2,84%
Berdasarkan Tabel 4, output simulasi menghasilkan nilai KTS yang rendah ketika nilai input .
otivation, time availability, abilit.
dari input sangat rendah dan knowledge ambiguity sangatlah tinggi.
Ketika nilai motivation, time availability, ability sangatlah tinggi dan knowledge ambiguity sangatlah rendah, nilai KTS menjadi sangat tinggi.
Ini menunjukkan bahwa perilaku dari model simulasi sudah benar sesuai dengan kondisi Dengan demikian, uji validitas ekstrem sesuai dengan perilaku secara logis dan model simulasi ini dapat dikatakan lolos uji validitas ekstrem.
Ramadhan et al.
Kesuksesan Knowledge Transfer di Laboratorium Perguruan Tinggi.
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online Perbandingan antara output simulasi dengan kondisi nyata Dalam kondisi nyata, input dan hasil dari objek penelitian asisten laboratorium didapatkan berdasarkan item pernyataan kuesioner.
Berdasarkan hasil kuesioner tersebut, responden menyatakan bahwa kesuksesan knowledge transfer di laboratoriumnya .
uccess inde.
bernilai 70,52.
Dengan menggunakan kuesioner untuk mendapatkan nilai variabel dari setiap asisten secara nyata, lalu dilakukan pengolahan nilai success index dengan program perangkat lunak simulasi, dan didapatkan nilai hasil output simulasi adalah 63,89.
Berdasarkan hasil tersebut, tidak ada perbedaan yang signifikan antara output kondisi nyata dengan output hasil simulasi .
stimated error kurang dari 10%).
Hal ini dapat disimpulkan bahwa model simulasi ini valid dan dapat digunakan untuk memprediksi kondisi nyata.
4 Penentuan skenario terbaik Untuk mendapatkan solusi terbaik yang dapat memaksimisasi nilai kesuksesan knowledge transfer, maka penelitian ini membangun tiga skenario dalam pengelompokan anggota asisten laboratorium untuk mengombinasikan agen penyedia dan agen penerima Skenario ini dibangun berdasarkan wawancara dan observasi dengan asisten laboratorium mengenai kemungkinan kombinasi rekan kerja yang dapat diimplementasi pada kondisi nyata dalam proses kegiatan laboratorium.
Proses skenario ini dapat dilihat pada Tabel 5 dan hasil dari skenario dapat dilihat pada Tabel 6.
Pada penelitian ini proses pengelompokan anggota suatu organisasi tersebut dilakukan untuk mencari kombinasi yang dapat menghasilkan kesuksesan knowledge transfer terbaik dengan rata-rata knowledge level module yang tinggi.
Tabel 5 Skenario yang dibangkitkan Module AST01.
AST02
Module AST03.
AST04
ID Member Group Module Module Module AST05.
AST07.
AST09.
AST06
AST08
AST10
Module AST11.
AST12
Module AST13.
AST14
Scenario 1 AST13.
AST02
AST11.
AST04
AST07.
AST06
AST09.
AST08
AST05.
AST10
AST03.
AST12
AST01.
AST14
Scenario 2 AST01.
AST14
AST03.
AST12
AST05.
AST08
AST07.
AST10
AST09.
AST06
AST11.
AST04
AST13.
AST02
Scenario 3 AST09.
AST10
AST11.
AST12
AST13.
AST14
AST07.
AST08
AST01.
AST02
AST03.
AST04
AST05.
AST06
Scenario
Real Condition Tabel 6 Hasil dari skenario
Scenario
Real
Condition Scenario 1
Scenario 2
Scenario 3
KTS
Index
Average Level of Knowledge Module Module Module Module Module Module Module 63,89 83,57 88,79 86,14 84,14 89,21 83,14 82,86 61,20 59,13 64,84 83,21 84,50 90,00 84,79 89,07 90,00 83,50 86,86 89,97 88,00 83,93 89,00 86,43 89,07 89,71 85,71 82,86 87,86 82,43
83,14
87,57
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online Pada Tabel 5, ditunjukkan bahwa asisten laboratorium yang dijadikan objek penelitian ini terdiri dari 14 orang dengan identitas AST01-AST14, dan terdapat 7 materi laboratorium dengan tingkat knowledge yang berbeda-beda .
dentitas module 1 sampai dengan .
Pada Tabel 5, terdapat real condition yang menunjukkan bahwa setiap module dipersiapkan oleh dua asisten yang saling melakukan knowledge transfer dan terdapat beberapa skenario yang dicoba dengan model simulasi.
Berdasarkan Tabel 6, dapat dilihat bahwa skenario 3 merupakan skenario terbaik dengan menghasilkan nilai KTS index 64,84 dan rata-rata module 89,02.
Nilai tersebut lebih tinggi dibandingkan real condition dan skenario lainnya.
Dengan demikian, skenario 3 merupakan skenario terbaik untuk memaksimisasi kesuksesan knowledge transfer, di mana implikasinya laboratorium dapat menggunakan kombinasi rekan kerja asisten seperti pada skenario 3 untuk memaksimisasi kesuksesan knowledge transfer.
Hal ini dapat disimpulkan bahwa peranan pengelompokan rekan kerja yang tepat .
gen penyedia dan agen penerima pengetahua.
dapat memengaruhi kesuksesan knowledge transfer.
Hasil output simulasi skenario 3 tersebut dapat dilihat pada Gambar 7.
Gambar 7 Output simulasi terbaik dari skenario yang dibangkitkan Simpulan Penelitian ini menunjukkan bahwa agent-based modeling and simulation dapat mendeskripsikan sistem yang kompleks dan menggambarkan hubungan antar perilaku agen seperti motivation to share, learning culture, time availability, ability to share, absorptive capacity, dan knowledge ambiguity.
Berdasarkan pengolahan data yang telah dilakukan, semua faktor yang didefinisikan dalam model konseptual penelitian terbukti signifikan memengaruhi kesuksesan knowledge transfer.
Dari semua faktor yang signifikan tersebut, ability to share merupakan faktor dominan yang dapat meningkatkan kesuksesan knowledge transfer.
Selain itu, pendekatan agent-based modeling and simulation menunjukkan bahwa didapatkan skenario dalam pengelompokan rekan kerja asisten laboratorium yang dapat meningkatkan kesuksesan knowledge transfer tersebut.
Hal ini sekaligus menguatkan bahwa pendekatan simulasi ini dapat diterapkan untuk Ramadhan et al.
Kesuksesan Knowledge Transfer di Laboratorium Perguruan Tinggi.
Jurnal Teknik Industri.
Vol.
No.
Agustus 2018, pp.
ISSN 1978-1431 print / ISSN 2527-4112 online mengidentifikasi permasalahan pada sistem yang kompleks seperti proses knowledge Penelitian ini masih memiliki beberapa keterbatasan, seperti belum adanya pengaruh umpan balik dari pengalaman knowledge transfer dari setiap agen terhadap nilai atribut untuk interaksi berikutnya.
Variasi dari perilaku agen masih terbatas dan belum mengilustrasikan keseluruhan perilaku yang mungkin muncul.
Kondisi ekstrem, parameterisasi, dan ketidakpastian lain dalam proses knowledge transfer harus lebih Dengan demikian, penelitian ini dapat dikembangkan dengan mengeliminasi berbagai kekurangan yang telah dijelaskan sebelumnya, sehingga kualitas prediksi dari model simulasi akan lebih akurat.
Referensi