BAB 9

PENAKSIRAN DAN PEAMALAN BIAYA

A. PENGANTAR
Penaksiran dan peramalan biayauntuk pengambilan keputusan merupakn usaha untuk
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 memcahkan masalah pengambilan
keputusan dengan menggunakan analisis kontribusi. Pada bab (8) telah dijelaskan
bahwa konsep biaya inkremental mempunyai peran yang sangat fundamental dalam
pengambilan keputusan biaya jangka pendek. Biaya inkremental selain mencakup
biaya variabel, juga mencakup setiap perubahan biaya tetap (fixed cost). Dalam
jangka pendek, beberapa pos biaya tetap dapat mengalami kenaikan, karena seringkali
fasilitas-fasilitas produksi (input-input tetap) yang ada menghadapi kendala untuk
mencapai kapasitas produksinya secara penuh sehingga fasilitas-fasilitas tersebut
perlu ditambah. Analisis biaya inkremental ini berkaitan dengan variabilitas dari
semua komponen biaya dan karenanya memerlukan apresiasi terhadap tingkat
kapasitas yang menganggur dari kategori biaya tetap yang ada. Apabila kategori biaya
tetap ada diperkirakan akan mengahadapi kendala untuk mencapai kapasitas
penuhnya, sehingga perlu dilakukan kerja lembur atau penambahan tambahan, maka
pembuat keputusan harus memperhitungkan biaya untuk kerja lembur dan
penambahan fasilitas tersebut sebagaimana halnya kita menghitung biaya-biaya
variabel ketika kita menaksir biaya inkremental yang timbul karena adanya keputusan
tertentu.
Informasi fungsi biaya jangka panjang diperlukan apabila kita akan melkukan
ekspansi atau kontraksi ukuran pabrik dan untuk mayakinkan bahwa ukuran pabrik
yang ada sudah optimal untuk tingkat output yang diproduksi. Ingat fungsi biaya
jangka panjang ini menunjukan alternatif ukuran pabrik saat ini. Dan biaya jangka
panjang biaya tersebut tidak boleh diinterpretasikan sebagai perkiraan biaya dari
berbagai ukuran pabrik untuk masa yang akan datang, karena baik tekologi maupun
harga faktor produksi relatif cenderung berubah, sehingga dapat menyebabkan fungsi
biaya jangka panjang tersebut menjadi tidak akurat lagi. Untuk menaksir biaya masa
datang tersebut, kita perlu meramalkan perubahan teknologi dan perubahan rasio
harga faktor produksi serta mengisolasinya dari pengaruh inflasi pada waktu yang
akan datang.
Bab ini membahas proses penaksiran dan peramalan biaya yang telah disebut diatas
dan terdiri dari tiga bagian pokok yakni (1) penaksiran biaya jangka pendek (2)
penaksiran biaya jangka panjang (3)peramalan biaya. Dalam pembahasan peramalan
biaya, kita akan mengamati fenomena kurva learning (learning curve). Kurva ini
menunjukan penurunan biaya perunit jika volume produksi komulatif meningkat terus
yang disebabkan oleh perbaikan produktifitas input variabel karena manajemen telah
mempelajari proses produksi dengan lebih baik.
PENAKSIRAN BIAYA JANGKA PENDEK

Dalam jangka pendek kita dihadapkan, terutama sekali, pada perilaku biaya variabel.
Namun demikian, kita juga harus memperhatikan biaya inkremental lainnya, seperti
misalnya perubahan pada pos-pos biaya tetap yang diperlukan yang untuk
mengimplementasikan suatu keputusan tertentu. Penaksiran biaya jangka pendek ini
dapat dilakukan dengan menggunakan 3 metoda yaitu metoda ekstrapolasi sederhana,
analisis gradien, dan analisis regresi
Ekstrapolasi sederhana
Ekstrapolasi berarti menghubungkan nilai-nilai dengan titik-titk diluar kisaran yang
ditunjukan oleh data dasar yang kita miliki, dengan cara memproyeksikannya
berdasarkan pola hubungan yang tampak dalam data dasar tersebut.
Metoda penaksiran biaya yang paling sederhana ialah dengan cara mengekstrapolasi
tingkat biaya marginal atau biaya variabel rata-rata saat ini (ke belakang atau ke
depan) pada tingkat- tingkat output lainnya. Perusahaan-perusahaan seringkali
menganggap bahwa biaya marginal atau variabel rata-rata mereka adalah konstan
pada kisaran tingkat output tertentu yang berdekatan dengan tingkat output yang
dicapai sekarang. Anggapan ini mengandung arti bahwa input-input variabel
menghasilkan penerimaan (returns) yang konstant, dan oleh karena itu tidak ada
keadaan increasing returns atau diminishing returns dalam proses produksi jangka
pendek. Jika keadaan efisiensi yang konstan ini benar-benar terjadi di dalam proses
produksi, maka metoda ekstrapolasi sederhana merupakan metoda yang cukup tepat
untuk manaksir biaya. Tetapi, jika biaya marginal kenyataannya meningkat dengan
adanya tambahan unit output, maka metoda tersebut akan menghasilkan keputusan
yang keliru (salah). Kesalahan umum dalam dunia bisnis pengasumsian bahwa biaya
marginal adalah konstan, sehingga keadaan diminishing returns dari input-input
variabel tidak pernah terjadi. Padahal secara intuitif cepat atua lambat keadaankeadaan diminishing returns tersebut akan terjadi sehingga pembuat keputusan harus
secara terus-menerus memperhatikan kemungkinan terjadinya keadaan tersebut.
Jika kita hanya memiliki satu observasi data biaya/output(yaitu pada tingkat sekarang)
Maka antisipasi bagi terjadinya keadaan diminishing returns ini harus dibuat atas
dasar pertimbangan naluriah(judgements), pengalaman atau intuisi. Misalnya,
pembuat keputusan menganggap bahwa kemungkinan yang paling masuk akal adalah
bahwa biaya marginal cenderung meningkat sebesar 2% untuk setiap 1% tambahan
output. Dengan demikian jelas bahwa dengan hanya memilik 1 observasi data
biaya/output, asumsi seperti itu mengandung resiko besar karena kemungkinan
kelirunya sangat besar.
Sebaliknya, pembuat keputusan mungkin juga beranggapan bahwa biaya marginal
cenderung menurun jika output meningkat, atau biaya marginal tidak mungkin naik
atua turun, sehinnga panaksiran terbaik adalah mengasumsikan bahwa biaya marginal
konstan. Mungkin pendekatan terbaik untuk memecahkan masalah tersebut adalah
dengan mengasumsikan bahwa biaya marginal konstan untuk tujuan ekstrapolasi dan
kemudian meneliti sensitivitas keputusn yang dibuat berdasarkan asumsi tersebut.
Sebagai contoh; perusahaan pakian jadi PT. GITA PRATIWI memperoleh peluang
untuk menjual 500 lusin pakian dalam kepada para pembeli sebuah toko dengan
diskon tertentu. Perusahaan tersebut menetapkan harga rata-rata RP. 7.000/lusin. Tibatiba ada perubahan mendadak dalam manajemen perusahaan tersebut dan manajer

produksi yang baru sangat terkejut karena tidak adanya data tingkat produksi atau
biaya pakian dalam tersebut sehingga manajer tersebut tidak dapat memperkirakan
berapa besar biaya inkremental yang terjadi. Namun demikian, dengan bekerja cepat
manajer tersebut akhirnya mengetahui bahwa untuk minggu sekarang, tingkat
produksi sebanyak 7.000 lusin dengan total biaya variabel (TVC) RP. 42.000.000.
berarti biaya variabel rata-ratanya adalah Rp. 6000/lusin pada tingkat output tersebut.
Tingkat output yang direncanakan untuk bebrapa minggu berikutnya juga sebanyak
7.000 lusin, sehingga untuk memenuhi pesanan toko tersebut tingkat output harus
ditingkatkan menjadi 7.500/minggu yang masih dalam jangkauan kapasitas pabrik.
Tanpa informasi lainnya, manajer produksi tersebut tidak mempunyai pilihan lain
kecuali mengekstrapolasikan data tunggal yang dimilikinya tersebut. Gambar 9.1
dibawah menggambarkan kurva TVC, AVC, dan MC yang diperoleh berdasarkan
ekstrapolasi dari kurva-kurva tersebut, dengan menganggap MC konstan pada kisaran
output 7000-7500 lusin.
Jika tidak ada perubahan biaya lainnya sebagai akibat dari adanya keputusan untuk
memenuhi pesanan toko itu, kita dapat memperkirakan bahwa biaya inkremental
adalah sebsar 3.000.000 untuk memproduksi 500 lusin pakian dalam tambahan
tersebut dan penerimaan inkremnetal menjadi 3.500.000. jadi kontribusi dari
keputusan ini diharapkan positif sebesar 500.000 dan manajer produksi tersebut akan
memenuhi pesanan ini.
Seberapa jauh keputusan ini sensitif terhadap asumsi biaya marginal yang konstan
yang mendasarinya? Jika kenaikan TVC tersebut sebelum keputusan dibatalkan?
Jawabannya adalah 3,5 juta pada titik dimana tidak ada kontribusi dari keputusan ini,
sehingga pesanan tersebut tidak perlu dipenuhi. Kenaikan TVC sebesar 3,5 juta
tersebut meningkatkan TVC menjadi RP. 45,5 juta dan ini berarti AVC pun akan
meningkat menjadi RP. 6.067 ribu atau sedikit lebih tinggi dari pada AVC pada
tingkat output sebelumnya.

Gambar 9.1
Extrapolasiberdasarkan MC yang konstan
TVC
55

50
45
40
35
30
25
20
15
10
5

Output ( ribu lusin )

0

P
8
7
6
5
4
3
2
1

MC.AVC

Output ( ribu lusin )

0

jadi keputusan ini sangat sensitif terhadap asumsi biaya marginal yang konstan tersebut. Oleh
karena itu kita cenderung untuk mengusulkan kepada PT. GITA PERTIWI agar tidak
memenuhi pesanan tambahan itu, jika perusahaan itu tidak yakin bahwa TVC meningkat
dengan tingkat yang konstan (atau menurun).

Oleh karena tingkat output selalu berfluktuasi dari waktu ke waktu, maka kita harus
menemukan dua observasi data biaya/output atau lebih. Dan dengan 2 observasi atau lebih
kita dapat melakukan analisis gradien
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
perusahaan TC dengan perubahan tingkt output, seperti tampak dalam persamaan berikut ini;
gradien=

TC
Q

Gradien TC atau TVC tidak sama persis dengan MC, karena MC menunjukanperubahan TC
yang hanya diakibatkan oleh perubahan suatu unit output. Padahal dalam praktek, output
cenderung berubah dengan loncatan yang tidak teratur sehingga kita harus menghitung
gradien tersebut dengan interval-interval yang lebih besar dari satu unit. Gradien ini
menghasilkan penaksir MC pada suatu kisaran tingkat output tertentu, sepreti yang akan kita
lihat berikut ini.
Misalkan PT. GITA PERTIWI, dalam contoh diatas, menerima pesanan untuk memproduksi
500 lusin tambahan itu. Perhatikan bahwa TVC untuk memproduksi 7.500 lusin adalah RP.
48,750 juta. Dengan demikian, gradien TVC dapat dihitung dengan cara berikut:
Gradien=

TVC
Q

48.750 .00042.000.000
7.5007.000

6.750 .000
500

= 13.500
Jadi perusahaan TVC pada interval output 7.000-7.500 lusin adalah RP. 13,5 ribu/unit. Ini
adalah nilai MC pada kisaran output tersebut. Pada gambra 9.2 ditunjukan penaksir terbaik
dari kurva TVC,AVC,dan MC yang didasarkan pada observasi terhadap titik data kedua.
Titik MC yang ditunjukan pada gambar 9.2 diletakan di tengah interval output yang dihitung,
karena gradien tersebut merupakan penaksir titik tunggal(single point estimate) dari tingkat
perubahan TC pada kisaran tingkat output disktrit. Ini merupakan tingkat perubahan rata-rata
pada perubahan interval output tersebut atau merupakan penaksir MC rata-rata pada kisaran
tersebut dan karenanya digambarkan di tengah kisaran tersebut.

ANALISIS GRADIEN DENGAN BEBERAPA OBSERVASI

Jika kita memiliki data observasi yang lebih banyak maka hasil penaksiran kurva TVC, AVC,
dan MC akan menjadi lebih tepat.
Untuk menjelaskan analisis ini kita kembali ke contoh PT. GITA PERTIWIdi atas.
Manajemen baru perusahaan tersebut meskipun merencanakan tingkat produksi sebanyak
7.000 lusin/minggu untuk beberapa minggu berikutnya menemukan masalah yakni banyak
karyawan yang membolos, dengan tingkat pem olosan berkisar anatar 10% dan 25% selama 3
minggu berikutnya. Akibatnya adalah tingkat output yang direncanakan. Namun demikian,
TVC juga mengalami penurunan, karena tenaga kerja yang absen tersebut tidak digaji, dan
pembelian bahan mentah serta penggunaan energi listrik juga menjadi lebih sedikit.
Gambaran TVC dan output
GAMBAR 9.2
KURVA BIAYA PENAKSIR DENGAN 2 OBSERVASI BIAYA/OUTPUT
TVC
TVC
50
45
40
35
30
25
20
15
10
5

Output ( 000 lusin )

0

P
16
14
12
10
8
9
4
2

MC
AVC

Output ( 000 lusin )

0

Yang dikumpulkan selama 5 minggu pertama ditunjukan pada tabel 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 tabel 9.1 tersebut diperoleh dari TVC/Q 3 kolom yang terakhir menunjukan
perhitungan gradien(dan kerna itu, MC yang ditaksir berada pada setiap titik 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 menunjukan
penaksir kurva TVC,AVC,MC yang terbaik. Perhatikan bahwa interpolasi antara nilai-nilai
gradien untuk menemukan kurva MC tersebut menunjukan bahwa titik minimum dari kurva
AVC pada titik minimum kurva AVC tersrebut.
Tabel 9.1
Observasi-observasi biaya-output dan
perhitungan AVC dan MC
Periode
produksi

Output
(lusin)

TVC
(RP)

AVC
(RP)

Minggu 4

4.500

6.000,00

minggu 3

6.000

Minggu 5

6.500

Minggu 1

7.000

Minggu 2

7.500

27.000.000.0
0
33.600,000.0
0
37.375.000.0
0
42.000.000.0
0
48.750.000.0
0

5.600.00
5.750.00
6.000.00
6.500.00

TVC

(RP)

(RP)

6.600.000.0
0
3.775.000.0
0
4.625.000.0
0
6.750.000.0
0

1.500

4.400.00

500

7.550.00

500

9.250.00

500

13.500.00

MC
(RP)

Jadi, dengan observasi beberapa pasang data biaya output yang lebih banyak akan
memungkinkan kita untuk memperoleh kurva AVC dan MC penaksir yang jauh lebih
sempurna. Tiap titk data tambahan akan memperjelas bentuk TVC, sehingga perhitungan
AVC dan MC yang lebih bisa dipercaya dapat diperoleh.

GAMBAR 9.3
TAKSIRAN KURVA BIAYA DENGAN BEBERAPA OBSERVASI BIAYA/OUTPUT
TVC
TVC
55
50
45
40
35
30
25
20
15
10
5

Output ( 000 lusin )

0

P
MC
16
14
12
10
8
6
4
2

AVC
Output ( 000 lusin )
0

ANALISI REGRESI DENGAN DATA RUNTUT-WAKTU (TIME-SERIES)

Jika kita memiliki jumlah observasi biaya-output yang lebih banyak, maka kita dapat
menggunakan analisis regresi untuk menaksir hubungan antara biaya dengan suatu tingkat
output tertentu, sehingga diperoleh satu penaksir MC. Jika kita ingin menaksir fungsi biaya
dari suatu perusahaan tertentu, maka kita harus menggunakan data runtut waktudari
perusahaan yang bersangkutan. Namun demikian, penggunaan data runtut watu ini kadangkadang menimbulakn masalah-masalah, yaitu; jika selama periode observasi, beberapa faktor
mengalami perubahan, maka hasil dari analisis regresi akan menjadi kurang dapat dipercaya.
Misalnya, harga fakor produksi mungkin berubah karena inflasi atau karena mekanisme
pasar dalam pasar faktor produksi, atau perubahan produktifitas karena perubahan teknologi
dan efisiensi Para pekerja. Untuk menghindari masalah ini, data biaya harus dideflasi dengan
sebuah indeks yang tepat dan unsur waktu yang harus dimasukan sebagai variabel bebas
dalam persamaan regresi yang akan kita estimasi. Dengan demikian setiap trend dari harga
relatif atau produkifitas akan dapat dihitung berdasrakan koefisien regresi dari variabel waktu
tersebut.
Analisis regresi dengan data runtut waktu sangat peka terhadap masalah kesalahan
pengukuran (measurement error). Data biaya harus mencakup semua biaya yang timbul
dalam meproduksi suatu tingkat output tertentu, apakah telah dibayar atau belum. Biaya
pemeliharaan, misalnya, diperkirakan berubah-ubah sesuai tingkat output, tetapi biaya
tersebut dapat ditunda sampai saat yang lebih tepat untuk menutupnya pada bagian tertentu
dari mesin atau fasilitas lain untuk tujuan pemeliharaan. Karena itu biaya yang timbul pada
awal periode tidak dicatat sampai periode berikutnya dan sehingga hal ini cenderung untuk
menunjukan bahwa tingkat biaya awal lebih rendah dan tingkat biaya paa periode berikutnya
lebih tinggi. Idealnya, observasi biaya output harus mencakup fluktuasi output selama
periode waktu yang singkat dan tanpa masalah matching biaya-output.
Misalkan output dan TVC mingguan dari perusahaan VGP telah dicatat selama 3 bulan,
seperti ditunjukan pada tabel 9.2. outputnya bervariasi dari minggu ke minggu karena
pasokan bahan-bahan baku Yang sulit diramalkan.
Dari data yang ada, tampak bahwa TVC berubah-ubah secara positif mengikuti tingkat output
perusahaan tersebut. Tetapi bagaimanakah bentuk