Upload
venice
View
2.860
Download
55
Embed Size (px)
DESCRIPTION
Tugas
Citation preview
PENAKSIRAN DAN PERAMALAN BIAYA
Penaksiran dan peramalan biaya untuk pengambilan keputusan merupakan usahauntuk
menemukan bentuk dan posisi kurva-kurva biaya dari suatu perusahaan. pemahaman terhadap
fungsi biaya jangka pendek akan membantu para pembuat keputusan untuk menilai optimalitas
tingkat output sekarang dan memecahkan masalah pengambilan keputusan dengan
menggunakan analisis kontribusi.
Informasi fungsi biaya jangka panjang diperlukan apabila kita akan melakukan ekspansi
atau kontraksi ukuran pabrik untuk meyakinkan bahwa ukuran pabrik yang adasudah optimal
untuk tingkat output yang diproduksi. Biaya jangka panjang tersebut tidak boleh
diinterpretasikan sebagai perkiraan biaya dari berbagai ukuran pabrik untuk masayang akan
datang, karena harga factor produksi relative berubah, sehingga menyebabkan fungsi biaya
jangka panjang tersebut menjadi tidak akurat. Untuk menaksir biaya masadatang tersebut
diperlukan juga meramalkan perubahan teknologi dan perubahan rasio harga faktor.
PENAKSIRAN BIAYA JANGKA PENDEK
Pemahaman terhadap fungsi biaya jangka pendek akan membantu para pembuat keputusan
untuk menilai optimalisasi tingkat output sekarang dan memecahkan masalah pengambilan
keputusan dengan menggunakan analisa kontribusi. Dalam pembuatan keputusan jangka
pendek, konsep biaya inkramental memiliki peranan yang sangat penting yang mencakup biaya
variabel dan perubahan biaya tetap.
Ekstrapolasi Sederhana
Ekstrapolasi berarti menghubungkan nilai-nilai dengan titik-titik di luar kisaran yang
ditunjukkan oleh data dasar yang dimiliki, dengan cara memproyeksikan berdasarkan pola
hubungan yang tampak dalam data tersebut.
Metode yang paling sederhana ialah mengekstrapolasikan tingkat biaya marginal atau
biaya variabel rata-rata saat ini (ke belakang atau ke depan) pada tingkat-tingkat output
lainnya.
Jika kita hanya memiliki satu observasi data biaya/output (yaitu pada tingkat sekarang)
maka antisipasi bagi terjadinya keadaan diminishing returns harus dibuat atas dasar
pertimbangan naluriah (judgement), pengalaman atau intuisi. Misalnya, pembuat
keputusan menganggap bahwa kemungkinan yang paling masuk akal adalah bahwa biaya
marginal cenderung meningkat sebesar 2 persen untuk setiap 1 persen tambahan output.
Sebaliknya, pembuat keputusan mungkin juga beranggapan bahwa biaya marginal
cenderung menurun jika output meningkat atau biaya marginal tidak mungkin naik atau
turun, sehingga penaksiran terbaik adalah mengasumsikan bahwa biaya marginal konstan.
Mungkin pendekatan terbaik untuk memecahkan masalah tersebut adalah sengan
mengasumsikan biaya marginal konstan untuk tujuan ekstrapolasi dan kemudian meneliti
sensivitas keputusan yang dibuat berdasarkan asumsi tersebut.
Sebagai contoh: perusahaan PT Gita Pratiwi menjual 500 lusin pakaian dalam kepada
pembeli sebuah toko dengn diskon tertentu. Perusahaan itu menetapkan harga rata2
7000/ lusin. Tiba2 ada perubahan mendadak dalam manajemen perusaan tersebut dan
manajer produksi yang baru sangat terkejut karena tidak adanya data tingkat produksi atau
biaya. Namun dengan bekerja cepat manajer mengetahui bahwa untuk minggu sekarang
tingkat produksi sebanyak 7000 lusin dengan TVC 42 juta Rupiah. Berari biaya variabel
rata2 6000/ lusin. Tingkat output yang direncanakan untuk beberapa minggu berikutnya
juga sebanyak 7000 lusin sehingga untuk memenuhi pesanan toko tersebut tingkat output
harus ditingkatkan menjadi 7500 perminggu yang masih dalam jangkauan kapasitas pabrik.
Tanpa informasi lainnya, manager produksi tersebut tidak mempunyai pilihan lain kecuali
mengekstrapolasikan data tunggal yang dimilikinya tersebut.
Analisis Gradien
Gradien kurva TC diartikan sebagai tingkat perubahan TC pada interval output tertentu.
Gradien berarti slope dan gradien dari TC ini dapat dihitung dengan cara membagi
perubahan TC dengan perubahan tingkat output seperti tampak dalam persamaan berikut :
Gradien = ΔTCΔQ
Gradien TC atau TVC tidak sama dengan MC karena MC menunjukkan perubahan TC
yang hanya diakibatkan oleh perubahan satu unit output. Padahal dalam praktek, output
cenderung berubah dengan loncatan yang tidak teratur sehingga harus dihitung gradien
dengan interval-interval yang lebih besar dari satu unit. Gradien ini menghasilkan penaksir
MC pada suatu kisaran tingkat output tertentu.
Misalkan PT GITA PRATIWI, dalam contoh diatas, menerima pesanan produksi untuk
memproduksi 500 lusin tambahan itu. Perhatikan bahwa TVC untuk memproduksi 7.500
lusin adalah Rp.48.750jt. dengan demikian, gradien TVC dapat dihitung dengan cara
berikut.
Gradien = ΔTCΔQ
= 48.750 .000−42.000 .000
7.500−7.000
= 6.750.000500
= 13.500
Jadi perubahan TVC pada interval output 7.000 – 7.500 lusin adalah Rp.13,5 ribu per unit.
Analisis Gradien dengan dengan Beberapa Observasi
Untuk menjelaskan analisis ini, kita kembali ke contoh PT GITA PRATIWI di atas.
Manajemen baru perusahaan tersebut – meskipun merencanakan tingkat produksi
sebanyak 7.000 lusin per minggu untuk beberapa minggu berikutnya – menemukan
masalah yakni banyak karyawan yang membolos, dengan tingkat pembolosan berkisar
antara 10 persen dan 25 persen selama tiga minggu berikutnya. Akibantnya adalah tingkat
output per minggu yang dihasilkan lebih sedikit dari tingkat output yang direncanakan.
Namun demikian, TVC juga mengalami penurunan, karena tenaga kerja yang absen
tersebut tidak di gaji, dan pembelian bahan mentah serta penggunaan energy listrik juga
menjadi lebih sedikit. Gambaran TVC yang dikumpulkan selama lima minggu pertama
ditunjukkan pada table 9.1 dan gambar 9.3. perhatikan bahwa tingkat output tersebut
disusun secara menaik – tanpa memperhatikan kronologi produksi – dengan maksud untuk
mempermudah perhitungan gradien pada setiap interval output.
Kolom AVC pada table 9.1 tersebut diperoleh dari TVC/Q. tiga kolom yang terakhir
menunjukkan perhitungan gradien (dank arena itu, MC yang ditaksir berada di titik tengah
setiap interval). Apabila titik – titik ini dilukiskan secara grafis seperti tampak pada gambar
9.3, maka kita akan dapat melakukan interpolasi antara tiap pasangan titik yang
berdekatan sehingga menunukkan penaksiran kurva TVC, AVC dan MC yang terbaik.
Perhatikan bahwa interpolasi antara nilai – nilai gradien untuk menemukan kurva MC
tersebut menunjukkan bahwa titik minimum dari kurva AVC terletak sedikit di bawah 6.000
lusin, karena kurva NC memotong kurva AVC pada titik minimum kurva AVC tersebut.
Observasi – observasi biaya – output dan
Perhitungan AVC dan MC
Periode
Produksi
Output
(lusin)
TVC
(Rp)
AVC
(Rp)
∆TVC
(Rp)
∆Q
(lusin)
MC
(Rp)
Minggu 4 4.500 27.000.000,- 6.000,-
Minggu 3 6.000 33.600.000,- 5.600,- 6.600.000,- 1.500 4.400,-
Minggu 5 6.500 37.375.000,- 5.750,- 3.775.000,- 500 7.550,-
Minggu 1 7.000 42.000.000,- 6.000,- 4.625.000,- 500 9.250,-
Minggu 2 7.500 48.750.000,- 6.500,- 6.750.000,- 500 13.500,-
Jadi, dengan observasi beberapa pasang data biaya – output yang lebih banyak
akan memungkinkan kita untuk memperoleh kurva AVC dan MC penaksir yangjauh lebih
sempurna. Tiap titik data tambahan akan memperjelas bentuk TVC, sehingga perhitungan
AVC dan MC yang lebih bisa dipercaya dapat diperoleh.
Taksiran Kurva Biaya dengan Beberapa Observasi Biaya/Output
Studi – studi Perilaku Biaya Jangka Pendek
Telah banyak studi yang dilakukan berkenaan dengan fungsi biaya jangka pendek
dari perusahaan tertentu. Tetapi karya yang paling definitif dalam bidang ini mungkin yang
disajikan oleh buku yang ditulis johnston (1960), di mana aspek teoritis dan konseptual dari
penaksiran biaya diteliti secara terinci dengan menggunakan metodastatistik. Kesimpulan
yang dapat ditarik dari penaksiran biaya jangka pendek ini adalah bahwa MC cenderung
konstan. Karena itu AVC juga konstan pada tingkat yang sama.Dan biaya total rata-ratanya
menurun karena menurunnya biaya tetap rata-rata. Fungsi TVC pada beberapa kasus
bersifat kurvi-linier, tapi kurva TVC yang linier adalah bentuk hubungan paling cocok dan
sudah cukup mampu menjelaskannya observasi-observasitersebut. Jadi kesimpulan umum
studi biaya secara statistis adalah bahwa AVC dan MC cenderung konstan pada kisaran
output yang diteliti tidak berarti biaya-biaya tersebut tetap konstan pada kisaran output di
mana perusahaan tersebut beroperasi.
PENAKSIRAN IAYA JANGKA PANJANG
Analisi Regresi dengan Menggunakan Data Seksi – silang
Penaksiran biaya jangka panjang merupakan usaha untuk menemukan ukuran
pabrik yang berbeda-beda pada titik waktu tertentu, maka kita tidak dapat menggunakan
observasi data runtut waktu untuk mendapatkan taksiran fungsi biaya jangka panjang.
Namun kita dapat menggunakan analisis regresi untuk menganalisis observasi dari berbagai
pabrik pada suatu periode waktu tertentu.
Oleh karena itu kita perlu mengumpulkan pasangan-pasangan observasi data
yangmenghubungkan tingkat output dengan biaya total untuk mendapatkan tingkat
outputtersebut untuk tiap pabrik, pada periode tertentu. Yang harus diperhatikan
adalah bahwa pengukuran tingkat output aktual harus sesuai denga tingkat biaya aktual
untuk menghasilkan tingkat output tersebut untuk setiap pabrik yang diteliti.
Spesifikasi bentuk persamaan fungsional untuk penaksiran biaya jangka panjang
ini juga menghadapi permasalahan yang sama seperti pada penaksiran biaya jangka
pendek. Kita harus memilih bentuk fungsional yang paling cocok dengan observasi data
biaya dan tingkat output dari setiap pabrik.
Ada dua masalah pokok dalam penggunaan data seksi silang ini bagi
penaksirankurva biaya rata-rata jangka panjang. Masalah pertama adalah masalah yang
timbulkarena observasi yang dikumpulkan sama sekali bukan merupakan titik-titik pada
kurva biaya rata-rata jangka panjang.
Misalkan ada lima pabrik yang diteliti di mana tingkat output dan biayaditunjukkan
pada tabel dibawah ini. Pada mulanya tampak terjadi economies of plant sizedan
kemudian terjadi diseconomies of plant size pada pabrik keempat dan kelima
yangterbesar. Hal tersebut ditunjukkan pada AC yang menurun tapi kemudian naik
ketikamenghadapi pabrik yang lebih besar.
Taksiran Kurva LRAC dengan Data Seksi Silang
Pabrik Outpu
(Q)
Total Cost
(Rp)
Average Cost
(Rp/Q)
1 1.500 7.350,- 4,90
2 3.500 12.600,- 3,60
3 6.150 18.143,- 2,95
4 8.750 26.688,- 3,05
5 11.100 43.290,- 3,90
Masalah kedua yang ditimbulkan data seksi silang ini adalah bahwa banyak pabrik
yang tidak dapat beroperasi pada tingkat harga dan produktivitas faktor produksi yang
sama. Jika pabrik-pabrik tersebut beroperasi di lingkungan geografis, politis dansosio-
ekonomis yang berbeda, maka baik harga maupun produktivitas faktor produksi akan
berbeda-beda pada pabrik-pabrik tersebut. Jika hal ini terjadi, maka analisis regresi akan
menunjukkan economies atau diseconomies of plant size dimana perbedaan biaya
secara aktual ditentukan oleh perbedaan harga dan produktivitas faktor produksi.
Penaksiran kurva LRAC berasumsi bahwa semua ukuran pabrik yang ditunjukkan
adalah dari tahun yang sama dan karena itu memiliki tekhnologi yang sama. Sebagian
dari perbedaan-perbedaan dalam produktivitas tenaga kerja cenderung terjadi pada
data biaya-output seksi silang disebabkan oleh perbedaan tahun pembuatan dari pabrik-
pabrik yang diteliti, yaitu dari pabrik yang baru sampai pabrik yang lama dengan efisiensi
yang minimal. Analisis regresi dengan data seksi silang untuk tahun yang berbeda
cenderung memberikan hasil yang tidak akurat maka harus dihindarkan.
Studi-studi Tentang Penaksiran Biaya Jangka Panjang
Berbagai studi tentang fungsi biaya jangka panjang dari berbagai perusahaan telah
dilakukan dan sebagaian telah diringkas oleh Johnston (1960). Hasil Paling umum
adalahkurva LRAC yang berbentuk U tidak sebanyak yang berbentuk L. Ini berarti bahwa
economies of plant size terjadi pada tingkat output yang relatif rendah, kemudian diikuti
oleh suatu kisaran constant returns to plant size tanpa adanya kecenderungan bagi
biaya per unit untuk naik pada tingkat ouput yang lebih tinggi. Tidak terjadinya keadaan
diseconomies of plant size pada proses produksi ini tidak berarti bahwa diseconomies of
plant size ini tidak terjadi jika pabrik uang lebih besar digunakan. Adanya harapan
bahwa biaya per unit akan teru meningkat untuk pabrik yang lebih besar menyebabkan
perusahaan mengoperasikan dua pabrik yang lebih kecil dan bukan satu pabrik yang
lebih besar. Jadi dengan tidak adanya bukti yang menunjukkan keadaan diseconomies of
plantsize tidak berarti bahwa diseconomies of plant size tersebut sama sekali tidak
terjadi,tetapi mengandung arti bahwa data dasar yang digunakan tidak mencakup
pabrik yangmengalami diseconomies tersebut.
Peramalan Biaya
Peramalan Biaya diperlukan apabila ada keputusan-keputusan yang akan kita
ambil mencakup tingkat biaya untuk periode-periode yang akan datang, misalnya dalam
keputusan mengikat kontrak, keputusan membeli atau membuat sendiri, atau
keputusan lain yang mempunyai implikasi biaya bukan hanya pada periode sekarang.
Peramalan biaya untuk berbagai tingkat output pada periode yang akan datang
memerlukan penaksiran tentang perubahan efisiensi proses produksi secara fisik, plus
perubahan harga faktor produksi yang digunakan dalam proses produksi. Perubahan
efisiensi faktor-faktor produksi ini akan mengubah bentuk kurva total product yang
berkaitan dengan proses produksi tersebut. Jika harga faktor produksi diperkirakan akan
berubah, maka hubunganantara kurva TP dengan kurva TVC akan berubah. Karena itu
perubahan dalam biayamasa yang akan datang akan merupakan akibat dari dua
pengaruh ini.
Perubahan Produktivitas Faktor Produksi
Jika biaya dari semua input meningkat dengan proporsi yang sama, maka
kombinasi faktor produksi yang optimal tidak akan berubah pada tingkat output
tertentu,meskipun akan menimbulkan biaya yang lebih besar. Jika semua harga input
meningkat dengan tingkat yang sama maka harga-harga relatif dari input tersebut akan
tetap sama dan tidak akan ada insentif untuk mensubtitusikan satu input dengan input
yang lainnya.Ini berarti bahwa proporsi input optimal akan tetap sama. Dengan
demikian, biaya-biaya periode yang akan datang akan sama dengan biaya periode
sekarang ditambah dengan presentase kenaikan biaya yang diperkirakan.
Jika kekuatan pasar di pasar faktor produksi mengakibatkan harga satu faktor
produksi naik dibandingkan dengan harga faktor produksi yang lain, maka
perusahaanakan mensubstitusikannya dengan faktor produksi yang lebih murah sebagai
akibat adanya kenaikan harga. Jadi, jika biaya tenaga kerja diperkirakan akan naik lebih
cepat daripada biaya modal di masa yang akan datang, maka perusahaan akan
mensubstitusikan tenaga kerja dengan modal dengan maksud untuk meminimalkan
biaya pada tingkatoutput tertentu. Jika proses ini berlanjut terus di masa yang akan
datang, maka perusahaan mestinya akan menggunakan proses produksi yang padat
modal pada periodeyang akan datang.
Penaksiran Kurva Learning
Kurva Learning menghubungkan biaya per unit dengan volume produksikumulatif
dari suatu produk tertentu. Kita berharap bahwa produktivitas input akanmeningkat
apabila input tersebut telah ”mempelajari” proses produksi, sehingga biaya per unit
cenderung menurun dengan presentase yang relatif stabil setiap kali volume
produksikumulatif digandakan. Tingkat learning ini adalah sekitar 20 persen. Dengan
kata lain, biaya unit turun kira-kira 20 persen tiap kali tingkat output kumulatif naik
dengan faktor 2, 4, 8,16, 32, 64 dan seterusnya. Untuk suatu tingkat output konstan
setiap periodewaktu, rangkaian angka tersebut menunjukkan jumlah periode sebelum
dicapai penurunan 20 persen lainnya dalam biaya unit yang dicapai. Jadi perubahan
biaya per unit antar dua periode produksi ditimbulkan oleh efek learning, akan sangat
jelas juka proses produksi baru dilakukan dan dapat diabaikan ketika proses produksi
telahmencapai kematangan.
Gambaran mengenal penggandaan output secara berturut-turut menunjukkan
bahwa kurva learning bukan merupakan garis lurus, tetapi biaya per unit
merupakanfungsi output kumulatif yang menurun secara eksponensial. Dengan kata
lain, kurvalearning dapat dinyatakan sebagai fungsi pangkat dengan bentuk sebagai
berikut :
SRAC = aQ b
dimana Q adalah tingkat volume kumulatif, a adalah biaya produksi hipotetis dari unit
pertama dan b adalah tingkat dimana SRAC akan menurun jika output dinaikkan.
Dalam pembicaraan mengenai analisis regresi, kita tahu bahwa fungsi
pangkatdapat dibuat linier melalui transformasi logaritma. Untuk menunjukkan SRAC
dan nilaioutput kumulatif yang diteliti dalam bentuk logaritma kita rumuskan dengan
cara sebagai berikut :
log SRAC = log a + b log Q
an menggunakan analisis regresi untuk menaksir parameter a dan b tersebut.
Sebagai contoh, misalkan sebuah perusahaan TDC meneliti bahwa biaya per
unitdari suatu produk tertentu menurun jika output kumulatif meningkat, seperti
yangditunjukkan pada tiga kolom pertama dari Tabel berikut :
Observasi SRAC dan Volume Kumulatif Serta Logaritmanya
Tanggal
observasi
Biaya per
Unit
(SRAC)
Volume
Kumulatif
(Q)
Log SRAC
(Y)
Log Q
(X)
30 Sept. 9,00 150 0,9542 2,1761
15 Des. 7,20 275 0,8573 2,4393
1 Maret 6,50 350 0,8129 2,5441
15 Mei 5,85 500 0,7672 2,6990
Logaritma dari SRAC sebagai variabel Y dan log Q sebagai variabel X dan merumuskan
bahwa Y = α + βX.
Variabel α diketahui 1,7418 yang menunjukkan log a. Untuk menemukan
parameter a kita harus mencari antilog dari 1,7418 yang hasilnya adalah 55,18.
jadifungsi pangkat yang menunjukkan kurva learning yang ditaksir sebagai berikut :
SRAC = 55,18Q-0,3627
Untuk meramalkan biaya per unit pada misalnya 1000 unit volume kumulatif,
kitamensubstitusikan Q = 1000 dalam persamaan di atas
SRAC = 55,18 (1000-0,3267)
SRAC = 55,18 (0,0816)
SRAC = 4,50
Jadi kita bisa berharap bahwa SRAC akan turun menjadi 4,50 unit pada
waktuvolume kumulatif mencapai 1000 unit.
Kurva learning sering dinyatakan sebagai presentase penurunan AC untuk setiap
penduakalilipatan volume kumulatif. Untuk menemukan presentase tersebut
dalamcontoh ini, kita memilih dua tingkat output dan menghitung presentase
penurunantersebut. Misalnya, dengan pengestimasian SRAC pada output kumulatif 200
dan 400unit dari kurva learning tersebut, kita akan mendapatkan :
Untuk 200 unit :
SRAC = 55,18 (200−0,3267) = 8,076
Untuk 400 unit :
SRAC = 55,18 (400−0,3267) = 6,281
Jadi SRAC pada 400 unit adalah :
6,2818,076
* 1001
= 77,77%
Angka 77,77 % tersebut menunjukkan bahwa SRAC untuk 400 unit besarnyasama
dengan 77,77 % dari SRAC pada 200 unit output. Tampak bahwa sedikitnya ada
penurunan AC sebesar 22 % apabila volume kumulatif diduakalilipatkan. Kita
dapatmemprediksi bahwa SRAC tersebut akan terus turun kira-kira sebesar 22 % untuk
setiap penduakalilipatan tingkat output kumulatif berikutnya.