ESTIMASI BIAYA

Estimasi biaya adalah pengembangan hubungan yang baik antara objek biaya dengan penggerak biayanya untuk tujuan memprediksi biaya.

Estimasi biaya memfasilitasi manajemen strategi dengan 2 cara yaitu:

1.      Estimasi biaya membantu  memprediksi biaya di masa yang akan datang dengan menggunakan penggerak biaya berdasarkan aktivitas, volume, struktur, atau pelaksanaan yang diidentfkasi sebelumnya.

2.      Estimasi biaya membantu mengidentifikasi penggerak biaya utama untuk suatu objek biaya dan penggerak biaya tersebut yang paling berguna dalam memprediksi biaya.

Menggunakan Estimasi Biaya untuk memprediksi Biaya di Masa Mendatang

Manajemen membutuhkan estimasi biaya yang akurat untuk banyak aplikasi, termasuk :

1.       Memfasilitasi pengembangan dan implementasi strategi

2.       Memfasilitasi analisis ranti nilai

3.       Memfasilitasi perhitungan biaya berdasarkan target da penentuan harga

4.       Memfasilitasi pengukura, evaluasi, dan kompensasi kinerja yang efektif

Tahap Estimasi Biaya

Terdapat 6 tahap untuk mengestimasi biaya, yaitu sbb :

1.       Mengidentifikasi objek biaya yang akan diestimasikan

2.       Menentukan penggerak biaya

3.       Mengumpulkan data yang konsisten dan akurat

4.       Membuat grafik data

5.       Memilih dan menggunakan metode estimasi

6.       Menilai keakuratan estimasi biaya

Metode Estimasi Biaya

Terdapat 2 metode estimasi biaya yaitu :

1.       Metode Tinggi-Rendah (high-low method) yaitu metode yang menggunakan aljabar untuk menentukan garis estimasi yang unik antara titik-titik yang tinggi dan rendah dalam data.

Estimasi tinggi-rendah ditampilkan sbb :

Dimana: Y = nilai estimasi biaya pemeliharaan

                  X = penggerak biaya, yaitu jumlah jam operasi dari operasional pabrik

                  a = jumlah tetap yang tetap mewakili nilai Y ketika X = nol

                  b = kemiringan garis.

2.       Metode analisis regresi (regression analysis) yaitu metode statistik untuk memperoleh persamaan estimasi biaya unik yang paling sesuai  bagi sekumpulan titik data.

Metode analisis regresi disebut juga regresi kuadrat terkecil, karena metode regresi menyesuaikan data dengan cara memperkecil jumlah kuadrat dari kesalahan setimasi, yang dipandang secara luas sebagai salah satu metode yang paling efektif untuk mengestimasikan biaya. Jumlh kesalahan estimasi dpertimbangkan secara eksplisit pada estimasi regresi sederhana, yaitu :

Dimana : Y = jumlah variabel terikat (biaya yang diestimasi)

                  a = jumlah tetap ; titik potong/konstanta, yang mewakili jumlah Y ketika X = 0

                  X = nilai variabel bebas (penggerak biaya yang diestimasi)

                  b = biaya variabel per unit atau koefisien variabel bebas

                  e = kesalahan estimasi

keunggulan analisis regresi yaitu bahwa metode tersebut merupakan estimasi unik yang menghasilkan kesalahan estimasi terkecil bagi data. Di sisi lain, karena kesalahan tsb dikuadratkan untuk mendapatkan garis terbaik, analisis regresi dapat sangat dipengaruhi oleh titik-titik data yang tidak umum (pancilan data-outliers), sehingga garis estimasi tidak mewakili sebagian besar data.

Multikolinieritas, adalah ketika terdapat 2 atau lebih dari 2 variabel bebas yang saling berkorelasi kuat satu dengan lainnya.

Nilai –p yaitu nilai yang mengukur resiko dimana variabel bebas tertentu hanya memiliki hubungan secara kebetulan dengan variabel terikat.

5 Tahapan pengambilan Keputusan Strategis (Harrah: Bisnis Kasino Las Vegas)

1.       Menentukan isu strategis di sekitar masalah ; mengembangkan dan mempertahankan loyalitas (strategi diferensiasi) dan profitabilitas pelanggan.

2.       Mengidentifikasi  alternatif tindakan ; bertanggungjawab untuk mempertahankan kepuasan pelanggan dengan memastikan pelanggan tidak mencapai titik penderitaan.

3.       Memperoleh informasi dan melakukan analisis terhadap alternatif

4.       Didasarkan strategi dan analisis, pilih dan implementasikan alternatif yang diinginkan ; Harrah mengimplementasikan sistem berdaasarkan regresi, sehingga ketika pelanggan tertentu yg berjudi di kasino dapat dipantau agar tidak sampai pada titik penderitaan dengan layanan Cuma-Cuma yang diberikan Harrah.

5.       Menyediakan evaluasi terus-menerus mengenai efektifitas implementasi.

Masalah Implementasi : Ketidaklinieran

Ketidaklinieran sering terjadi karena pola deret berkala terhadap data seperti tren dan atau musiman, pencilan data, dan peralihan data.

1.       Tren dan/atau musiman yaitu menjelaskan persyaratan data dan  masalah implementasi dari metode estimasi biaya.

2.       Pencilan data yaitu kondisi tidak lazim atau jarang terjadi memengaruhi operasinya pad periode tertentu, hasilnya mungkin mungkin berupa titik yang jauh dari titik data lainnya.

3.       Peralihan data yaitu kondisi tidak lazim yang berlangsung lama sehingga mengakibatnkan pergeseran arah rata-rata data yang harus dimasukkan dalam estimasi.

Analisis Kurva Pembelajaran

Analisis kurva pembalajaran yaitu metode sistematis untuk mengestimasikan biaya ketika pembelajaran berlangsung. Tingakat pembelajarannya yaitu persentase dimana rata-rata waktu atau total waktu turun dari tngkat sebelumnya ketika outpunya 2x lipat. Pentingnya praktis kurva pembelajaran adalah sebagai referensi umum untuk biaya awal pada laporan tahunan dan keuangan perusahaan. Prisnsip bisni s yang diterima umum adalah produk dan proses produksi baru memiliki periode produktivitas rendah dengan diikuti peningakatan produktivitas yang setelah melalui tingkatan perbaikan akan mencapai titik keseimbangan yang relatif stabil sampai terjadi perubahan pada lini produk, dsb.

Manfaat Kurva Pembelajaran

Kurva pembelajaran bermanfaat dalam bidang-bidang berikut.

1.       Analisis biaya-volume-laba ; penentuan titik impas. Gagal mempertimbangkan pembelajaran menyebabkan pernyataan kebutuhan jumlah unit aktual yang terlalu berlebihan untuk titik impas.

2.       Penganggaran tingkat produksi dan kebutuhan tenaga kerja ; pengembangan rencana produksi tahunan atau triwulan dan anggaran pensiun tenaga kerja terkait.

3.       Keputusan membuat atau membeli ; analisis yang dilakukan berguna untuk keakuratan total biaya dari waktu ke waktu atas pilihan yang dibuat.

4.       Penganggaran modal  ; keakuratan sepanjang usia investasi modal dengan memasukkan peningkatan produktivitas tenaga kerja yang diharapkan.

5.       Persiapan penawaran untuk kontrak produksi ; perhitungan biaya berdasarkan target dan perhitungan biaya siklus hidup

6.       Pengembangan biaya produk    standar

7.       Pengendalian manajemen

Bentuk Umum Model Pembelajaran

Bentuk paling umum dari model pembelajaran sbb .

Dimana : Y = akumulasi waktu per unit rata-rata ketika memproduksi unit X

                  a = waktu yang dibutuhkan untuk unit output pertama

                  X = akumulasi output

                  b = indeks pembelajaran

Keterbatasan Analisis Kurva Pembelajaran

Terdapat 3 keterbatasan dan masalah yang melekat berkaitan dengan penggunanaan metode ini, yaitu :

1.       Pendekatan tersebut paling sesuai dalam konteks padat karya yang melibatkan tugas berulang yang dilakukan untuk produksi jangka panjang dimana percobaan berulang dapat meningkatkan kinerja dan pembelajaran.

2.       Tingkat pembelajaran diasumsikan konstan sehingga rata-rata waktu pekerja menurun pada tingkat yang tetap seiring dengan kenaikan output sebanyak 2x lipat).

3.       Estimasi kurva pembelajaran mungkin tidak dapat diandalkan karena perubahan produktivitas yang diamati dalam data yang digunakan untuk menyesuaikan model sebenarnya berkaitan dengan faktor-faktor lain selain pembelajaran.

Ukuran Statistik

Ukuran statistik dari keandalan dan ketepatan regresi diturunkan dari analisis varians terhadap variabel terikat. Varians adalah ukuran derajat dimana nilai variabel terikat bervariasi di sekitar rata-ratanya. Kemampuan regresi untuk memprediksi perubahan secara tepat pada variabel terikat merupakan ukuran utama dari keandalannya dan diukur melalui proporsi varians yang dapat dijelaskan dari varians yang tidak dapat dijelaskan.

Ketepatan Regresi

Kesalahan standar estimasi (standard error estimate-SE) merupakan ukuran keakuratan estimasi regresi dimana nilai sebenarnya yang tidak diketahui diperkirakan kemungkinan akan turun. Rentang tersebut disebut “interval keyakinan” (convidence interval). Nilai SE dari regresi tertentu dapat diperoleh dari tabel analisis varians sbb.

Ketepatan dan keakuratan meningkat jika varians yang tidak dapat dijelaskan berkurang dan ketika jumlah titik data meningkat akibat jumlah derajat kebebasan meningkat.

Tingkat Kesesuaian (R-kuadrat)

 R-kuadrat, adalah angka antara 0-1 serta sering kali dideskripsikan sebagai ukuran kemampuan penjelasan regresi yaitu tingkat dimana perubahan pada variabel terikat dapat diprediksi degan perubahan pada variabel bebas.

R-kuadrat dapat dikalkulasikan sbb.

Kemampuan penjelasan regresi meningkat ketika jumlah kudrat dari varians yang dapat dijelaskan relatif meningkat jika dibandingkan dengan total jumlah kuadrat. Nilai yang mendekati 1 mencerminkan regresi yang sesuai dan memiliki penjelasan yang kuat.

Keandalan Statistik (F-statistik)

F-statistik merupakan ukuran keandalan statistik regresi yang  bermanfaat untuk mengetahui hubungan antar variabel dalam regresi benar ada atau kebetulan antardata ada.

F yang lebih besar, memiliki kemungkinan lebih kecil bahwa regresi  secara statistik tidak dapat diandalkan. F-statistik dapat diperoleh dari tabel anlisis sbb.

Keandalan Statistik untuk Setiap Variabel Bebas (nilai-t)

Nilai-t, adalah ukuran keandalan dari setiap variabel bebas, yaitu tingkat dimana variabel bebas memiliki hubungan yang absah, stabil, dan bersifat jangka panjang dengan variabel terikat.

Keandalan dari Ketepatan (Varians yang Tidak Konstan)

Varians yang tidak konstan terjadi ketika kondisi varians yang tidak dapat dijelaskan manjadi tidak konstan dalam rentang varibel bebas. Untuk memperbaiki masalah varians yang tidak konstan, akuntan manajemen seharusnya mentransformasikan variabel terikat dengan log atau akaur kuadrat . jika hal tersebut tidak membantu, makan akuntan manajemen harus lebih berhati-hati dalam mepertimbangkan nilai SE.

Kesalahan Tidak Bebas (Statistik Durbin-Watson)

Kesalahan tidak bebas terjadi jika terdapat hal-hal berikut.

1.       Jumlah dan arah dari setiap batas kesalahan berkaitan dengan kesalahan di sekitarnya.

2.       Terdapat ketidak linearan pada data, dan ketika itu ukuran statistik tidak dapat diandalkan dan prediksi regresi menjadi berat sebelah.

Metode umum yang mendeteksi adanya kesalahan tidak bebas adalah menggunakan statistik Durbin-Watson (DW). Statistik DW dikalkulasikan dari jumlah dan perubahan kesalahan dalam rentang variabel bebas. Masalah kesalahan tidak bebas biasanya dapat diperbaiki dengan cara berikut.

1.       Menghilangkan pengruh musiman pada data, dengan menggunakan variabel rekayasa untuk musiman, atau menggunakan indeks untuk menghilangkan tren.

2.       Mengubah hubungan perkalian menjadi hubungan penjumlahan yang setara (linier) dengan menggunakan logaritma variabel bebas dan terikat.

Regresi Deret Berkala dan Lintas Bagian

Regresi deret berkala (time series regression) adalah aplikasi analisis regresi untuk memprediksi jumlah di masa yang akan datang, dengan  menggunakan data pada periode sebelumnya.

Sebaliknya, regresi lintas bagian (cross-sectional regression) adalah pengestimasian biaya untuk objek biaya tertentu berdasarkan informasi mengenai objek dan variabel biaya yang lai, dimana informasi untuk seluruh variabel diambil dari periode waktu yang sama.

--SELESAI --