Chapter 5
description
Transcript of Chapter 5
BAB V
PENAKSIRAN FUNGSI PERMINTAAN
Pada bab ini akan dibahas metode-metode yang digunakan untuk membuat
penaksiran permintaan. Penaksiran permintaan merupakan proses untuk menemukan
nilai dari koefisien-koefisien fungsi permintaan akan suatu produk pada masa kini
(current values). Sedangkan prakiraan permintaan merupakan proses penemuan nilai-
nilai permintaan pada periode waktu yang akan datang (future values).
I. Metode Langsung dan Tidak Langsung dari Penaksiran Pemintaan
Metode untuk menaksir dikelompokkan menjadi dua yaitu metode langsung
dan tidak langsung. Metode langsung adalah metode yang langsung melibatkan
konsumen, misalnya melalui wawancara dan survey, pasar simulasi dan eksperimen
pasar terkendali. Sedangkan penaksiran permintaan secara tidak langsung dilakukan
berdasarkan data yang telah dikumpulkan dan kemudian dilakukan upaya-upaya
untuk menemukan hubungan statistik antara variable dependen dengan independen.
Teknik korelasi sederhana dan analisis regresi berganda merupakan metode yang
paling sering digunakan untuk menemukan hubungan-hubungan tersebut. Metode
penaksiran permintaan secara langsung tercakup secara rinci dalam riset pasar,
sedangkan metode tidak langsung dibahas dalam metode kuantitatif.
I.1. Wawancara dan Survey
Mewawancarai pembeli atau pembeli potensial merupakan salah satu metode
tidak langsung. Masalah yang terdapat pada metode ini adalah :
Individu yang diwawancarai harus mewakili pasar secara kesuluruhan
agar hasilnya tidak bias
Timbulnya bias pewawancara dan bias jawaban
Akurasi jawaban
1
1.2. Pasar Simulasi
Metode tidak langsung yang lainnya adalah pasar simulasi, yaitu pasar yang
dibuat sedemikian rupa dan diamati perilaku dari para partisipan terpilih.
1.3. Eksperimen Pasar Secara Langsung
Eksperimen pasar secara langsung ini melibatkan orang-orang yang benar-
benar berada di situasi pasar yang sebenarnya yang membelanjakan uangnya untuk
barang dan jasa yang mereka inginkan.
II. Analisis Regresi Fungsi Permintaan
Analisis regresi adalah sebuah teknik statistik yang digunakan untuk
menemukan derajat ketergantungan satu variable terhadap satu variable lainnya atau
lebih. Data yang digunakan adalah data runtut waktu (time series) dan data seksi
silang (cross section).
2.1. Analisis Runtut Waktu dan Seksi Silang
Analisis runtut waktu adalah analisis menggunakan observasi yang telah
dicatat selama waktu tertentu dalam situasi tertentu. Analisis seksi-silang adalah
analisis yang menggunakan obeservasi-observasi dari perusahaan yang berbeda
dalam lingkungan bisnis yang sama pada periode waktu yang sama.
2.2. Linieritas Persamaan Regresi
Dengan menganggap bahwa Y merupakan fungsi dari X atau beberapa
variabel-variabel ini, maka dapat ditentukan bentuk ketergantungan variabel Y
terhadap variabel X tersebut.
Y= α + β1X1+ β 2X2 + …. + β nXn + e
Variabel independen berhubungan linier dengan variabel dependen. Apabila variabel
tersebut tidak linier maka dapat ditransformasi dengan logaritma.
2.3. Penaksiran Parameter Regresi
Untuk mencari nilai dari parameter α dan β, maka dapat digunakan metode
kuadrat terkecil (leas-squares method). Metode kuadrat terkecil adalah proses
2
matematis untuk menentukan intersep dan slope garis yang paling tepat yang
menghasilkan jumlah kuadrat deviasi (simpangan) yang minimum.
Untuk mendapatkan nilai α dan β digunakan persamaan berikut ini :
2.4. Koefisien Determinasi
Koefisien determinasi (R2) adalah angka yang menunjukkan proporsi variabel
dependen yang dijelaskan oleh variasi variabel independent. Koefisien determinasi
dapat dihitung dengan rumus :
2.5. Kesalahan Baku Penaksiran
Kesalahan baku penaksiran (Se) adalah ukuran penyebaran (disperse) data dari
garis yang paling tepat. Dengan kesalahan baku penaksiran ini, kita dapat menghitung
interval keyakinan (sekitar nilai penaksiran untuk variabel independen) untuk tingkat-
tingkat keyakinan yang berbeda. Interval keyakinan adalah kisaran nilai di mana
observasi aktual diharapkan terletak dalam persentase tertentu. Rumus kesalahan
baku penaksiran adalah
Untuk mendapatkan interval keyakinan 95 %, maka ditambahkan dua kali angka Se
untuk mendapatkan batas keyakinan atas dan mengurangkan dua kali untuk
menemukan batas keyakinan bawah.
2.6. Daya Prediksi Persamaan Regresi
3
Bila interval keyakinan relatif sempit, karena nilai kesalahan baku yang relatif
kecil, maka kita dapat mengatakan bahwa persamaan regresi tersebut mempunyai
kemampuan prediksi yang lebih besar daripada nilai Se yang relatif besar dengan
interval keyakinan relatif luas.
2.7. Kesalahan Baku Koefisien
Kesalahan baku koefisien adalah ukuran ketepatan nilai β yang diperoleh,
yaitu koefisien yang menaksir hubungan marginal antara variabel X dan Y. Sβ adalah
simpangan baku dari distribusi sampling β. Jika kesalahan baku koefisien semakin
kecil, maka semakin besar keyakinan akan koefisien regresi yang diperoleh dari data
tersebut sebagai indikator atas hubungan marginal antara nilai-nilai Xi dengan nilai Y.
Rumus Sβ adalah
III. Masalah-masalah dalam Analisis Regresi
Terdapat enam masalah pokok yang sering terjadi dalam analisis regresi, yaitu :
1. Kesalahan spesifikasi
Kesalahan spesifikasi hubungan yang dihipotesiskan antara variabel dependen
dengan independen merupakan masalah dalam analisis regresi sehingga tidak
dapat dipercaya. Untuk mengetahui bentuk hubungan yang benar dengan
menggunakan perbandingan koefisien determinasi (R2) untuk berbagai bentuk
fungsi.
2. Kesalahan Pengukuran
Kesalahan pengukuran merupakan kesalahan yang harus dihindari. Hal ini
dapat dihindari dengan mengukur variabel dengan tepat dan akurat.
3. Persamaan Simultan
4
Masalah ini timbul karena sedikitnya data yang digunakan dalam analisis
regresi untuk mengidentifikasi pergeseran kurva-kurva permintaan, sehingga
masalah ini sering disebut sebagai masalah identifikasi.Hal ini timbul dalam
penaksiran permintaan dengan data runtut-waktu, sebab kita tidak dapat
mengharapkan bahwa kurva permintaan akan stabil untuk periode waktu yang
cukup lama, sebagai akibat dari perubahan-perubahan misalnya pendapatan
konsumen dan pola preferensinya.
4. Multikolinieritas
Masalah ini timbul bila variabel-variabel independen tidak independen satu
sama lain. Bila dua variabel independent atau lebih saling tergantung atau
yang satu tergantung yang lain maka koefisien b menjadi bias. Hal ini dapat
ditolerir bila tujuan persamaan hanya sekedar untuk keperluan prediksi.
5. Heteroskedastisistas
Kesalahan yang terjadi tidak acak tetapi menunjukkan hubungan yang
sistematis seusai dengan besarnya satu variabel independent atau lebih. Alat
yang sederhana untuk menemukan masalah ini adalah dengan
menggambarkan nilai-nilai residu dengan nilai-nilai variabel independennya.
Heteroskedastisitas dapat dihilangkan dengan melakukan respesifikasi
variabel-variabel independen, mengubah bentuk hubungan fungsional,
transformasi data dan teknik regresi kuadrat tertimbang.
6. Otokorelasi
Otokorelasi adalah suatu kesalahan tidak sesuai dengan batasan yang
disyaratkan oleh analisis regresi.masalah ini hanya muncul pada data runtut
waktu dan ditandai oleh pola kesalahan yang beruntun. Otokorelasi dapat
dihilangkan dengan menambahkan variabel yang dianggap menjelaskan
perubahan yang sistematis tersebut ke dalam regresi.
III. Contoh kasus
5
Seorang pengusaha menjual brokoli pada enam toko Keenam toko tersebut
menjual dengan harga yang sama yaitu Rp. 0,79 ribu/kg. Penjualan musiman pada 6
toko tersebut rata-rata 4.625kg/toko, tanpa ada simpangan yang lebih besar dari 150
unit. Tingkat harga ditetapkan berbeda untuk setiap toko untuk mengamati reaksi
penjualan terhadap tingkat harga. Sebagai kontrol, harga pada toko pertama adalah
Rp. 0,79 ribu/kg.
Toko No. Harga
(X)
Penjualan
(Y)
XY X2 Y2
1
2
3
4
5
6
0.79
0.99
1.25
0.89
0.59
0.45
4.650
3.020
2.150
4.400
6.380
5.500
3.6735
2.9898
2.6875
3.9160
3.7642
2.4750
0.6241
0.9801
1.5625
0.7921
0.3481
0.2025
21.6225
9.1204
4.6225
19.3600
40.7044
30.2500
4.96
(ΣX)
26.100
(ΣY)
19.5060
(ΣXY)
4.5094
(ΣX2)
125.6798
(ΣY2)
= 4.35
= 0.8267
β = - 5,0595
α = 8,5327
Persamaan regresi : P = α + β Q, Q = 8,5327 – 5,0595 P
MR diperoleh dari intersep yang sama dan 2 kali slope kurva permintaan
MR = 1,6865 – 0,3953 Q
Jika P = 0.85, dQ/dP = -5,0595, maka
Q = 4,2321
Sehingga diperoleh elastisitas
ε = 1,0162
6
Elastisitas harga permintaan pada tingkat harga Rp. 0,85 ribu hanya sedikit sekali di
atas satu yaitu sebesar 1,0162. oleh karena itu, penerimaan akan tetap konstan
walaupun harga meningkat atau turun dari harga tersebut.
R2 = 0,8624
Nilai tersebut menunjukkan bahwa lebih dari 86% variasi observasi penjualan
disebabkan oleh perubahan tingkat harga.
Se = 0,64555, Ŷ + 2Se = 5,5233, Ŷ - 2Se = 2,9409
Pada harga Rp 0,85 ribu maka penjualan akan terletak antara 2.940,9 unit dan 5.523,3
unit.
Sβ = 1,5792, Ŷ + 2Sβ = 8,2181, Ŷ - 2Sβ = -1,9009
β lebih dari dua kali Sβ maka kita dapat yakin 95 % bahwa tingkat harga merupakan
determinan statistic yang signifikan.
DAFTAR PUSTAKA
7