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.