Memilih Variabel Terikat

Pengembangan analisis regresi dimulai dengan cara memilih objek biaya, yaitu variabel terikat. Variabel
terikat mungkin disajikan pada tingkat yang luas, seperti total biaya pemeliharaan untuk seluruh
perusahaan, atau tingkat terperinci, seperti biaya pemeliharaan untuk setiap pabrik atau departemen.
Pemilihan tingkat agregat bergantung pada tujuan estimasi biaya, ketersediaan dan keandalan data,
serta pertimbangan biaya dan manfaat. Jika tujuan utamanya adalah keakuratan, tingkat analisis
terperinci sering kali lebih disukai.

Memilih Variabel Bebas

Untuk mengidentifikasi variabel bebas, akuntan manajemen mempertimbangkan seluruh data

keuangan, operasi, dan ekonomi lainnya yang mungkin relevan untuk mengestimasikan variabel terikat.
Tujuannya adalah untuk memilih variabel yang:

(1) Relevan, yaitu variabel yang berubah ketika variabel terikat berubah, dan
(2) Bukan merupakan salinan dari variabel bebas lainnya.

Seringkali data dalam analisis regresi berupa jumlah angka dalam satuan dolar atau unit. Jenis variabel
lainnya, disebut juga variabel rekayasa (dummy variabel), yang mewakili kehadiran atau ketidakhadiran
suatu kondisi. Contohnya, variabel rekayasa dapat digunakan untuk menandai musiman. Jika akuntan
manajemen sedang mengestimasikan biaya produksi, dan jika biaya produksinya terlalu tinggi pada
bulan Maret, variabel rekayasa dapat digunakan dengan nilai 1 untuk bulan Maret dan 0 untuk bulan-
bulan lainnya.

Mengevaluasi Analisis Regresi

Selain untuk mengestimasikan biaya, analisis regresi juga menyediakan ukuran kuantitatif dari ketepatan
dan keandalannya. Ketepatan mengacu pada keakuratan estimasi regresi, dan keandalan menunjukkan
apakah regresi mencerminkan hubungan aktual antarvariabel; yaitu apakah model regresi mungkin
terus-menerus memprediksi secara akurat? Ukuran-ukuran ini dapat membantu akuntan manajemen
dalam menilai kegunaan regresi tersebut. Empat ukuran utama tersebut, yaitu:

1. R-kuadrat, yang disebut juga koefisien determinasi.

R-kuadrat (R-squared) merupakan angka di antara 0 dan 1 serta sering kali dideskripsikan
sebagai ukuran kemampuan penjelasan regresi; yaitu, tingkat di mana perubahan pada variabel
terikat dapat diprediksikan dengan perubahan pada variabel bebas. R-kuadrat yang lebih besar
merupakan model regresi yang lebih handal untuk estimasi biaya; faktanya, jika R-kuadrat sama
dengan 1, maka standar kesalahan estimasi harus sama dengan 0. Jika dilihat secara grafis,
regresi dengan R-kuadrat yang tinggi menunjukkan titik-titik data yang terletak di dekat garis
regresi; pada regresi dengan R-kuadrat yang rendah, titik-titik datanya tersebar jauh dari garis
regresi.
2. Nilai-t.
 Nilai-t (t-value) merupakan ukuran keandalan statistik dari setiap variabel bebas. Keandalan
merupakan tingkat dimana variabel bebas memiliki hubungan yang absah, stabil, dan bersifat
jangka panjang dengan variabel terikat. Nilai-t yang relatif kecil (biasanya, nilai-t harus lebih
besar dari 2) menunjukkan hubungan statistik yang kecil atau tidak memiliki hubungan antara
variabel bebas dengan variabel terikat. Ketika terdapat dua atau lebih dari satu variabel bebas
merupakan suatu pertanda kemungkinan terdapatnya multikolinieritas (multicollinearity), yang
berarti bahwa dua atau lebih dari dua variabel bebas saling berkorelasi kuat satu sama lain.
Sebagaimana tertera pada namanya, variabel bebas seharusnya saling bebas, tidak memiliki
korelasi. Korelasi antarvariabel berarti variabel tertentu cenderung berubah sesuai perkiraan
secara searah (atau berlawanan arah) dengan perubahan variabel lainnya. Dampak dari
multikolinieritas adalah bahwa estimasi regresi terhadap koefisien variabel bebas tidak dapat
diandalkan. Estimasi biaya dari regresi akan dapat diandalkan, tetapi jumlah koefisien tidak
dapat diandalkan untuk diinterpretasikan sebagai penggerak biaya per unti bagi variabel bebas
yang terkait.
3. Kesalahan standar estimasi (standard error of the estimate – SE).
Kesalahan standar estimasi merupakan ukuran keakuratan estimasi regresi. SE merupakan
rentang di sekitar estimasi regresi dimana nilai sebenarnya yang tidak diketahui diperkirakan
kemungkinan akan turun. Rentang tersebut disebut juga interval keyakinan (confidence interval)
dan digunakan untuk mengukur keakuratan prediksi pada setiap titik untuk variabel bebas.
Karena digunakan untuk mengukur rentang keyakinan, SE seharusnya diinterpretasikan dalam
kaitannya dengan ukuran rata-rata dari variabel terikat. Jika SE relatif kecil jika dibandingkan
dengan variabel terikat, ketepatan regresi dapat dinilai relatif baik.
4. Nilai-p (p-value)
Nilai-p mengukur risiko dimana variabel bebas tertentu hanya memiliki hubungan secara
kebetulan dengan variabel terikat, dan tidak ada hubungan statistik yang signifikan. Nilai-p yang
kecil (risiko yang rendah) tentunya diharapkan; nilai-p sebesar 0,05 sampai 0,1 atau kurang
sering kali digunakan sebagai pedoman praktik.

Menggunakan Peranti Lunak Program Komputer Akuntansi untuk Analisis Regresi

Sebagai contoh, suatu perusahaan sedang mengembangkan persamaan regresi untuk biaya tidak
langsung pada pabriknya. Perusahaan tersebut memproduksi barang sesuai pesanan. Kadang kala,
pesanan dan jumlah yang sangat besar meningkatkan biaya langsung dan tidak langsung pada bulan
tertentu. Biaya tidak langsung terutama terdiri dari biaya perlengkapan, pengendalian, pengujian
kualitas, upah lembur, dan biaya tenaga kerja tidak langsung lainnya. Regresi digunakan untuk membuat
anggaran biaya tidak langsung di tahun mendatang terutama untuk tujuan manajemen kas.

Seandainya jumlah jam tenaga kerja langsung maupun jumlah jam mesin di pabrik merupakan variabel
bebas yang baik untuk mengestimasikan biaya tidak langsung. Akuntan manajemen dapat
mengembangkan regresi untuk data tersebut dengan menggunakan Excel. Untuk menggunakan Excel,
gunakan Regression dari tab Data/Data Analysis, kemudian memilih rentang X dan Y untuk variabel
bebas dan terikat, lalu diperoleh hasil regresi.

Ketika analisis regresi melibatkan dua atau lebih dari dua variabel bebas, hal tersebut merupakan bentuk
aplikasi regresi linear berganda (multiple linear regression). Sebaliknya, dengan menggunakan satu
variabel bebas, merupakan bentuk aplikasi regresi linear sederhana (simple linear regression).

Ilustrasi Penggunaan Analisis Regresi pada Industri Perjudian

Kompetisi dalam bisnis perjudian sangat berfokus pada kepuasan dan loyalitas pelanggan. Agar menjadi
lebih kompetitif, Harrah (pemilik kasino) menggunakan analisis regresi untuk memprediksi kepuasan
pelanggan. Pendekatan yang digunakan oleh banyak perusahaan lainnya, meliputi UPS dan Google.
Model lima tahapan berikut menjelaskan bagaimana dan mengapa Harrah menggunakan analisis
regresi:

1. Menentukan isu strategis di sekitar masalah

Karena beroperasi dalam bisnis yang sangat berfokus pada pelanggan, strategi Harrah adalah
mengembangkan dan mempertahankan loyalitas pelanggan (strategi diferensiasi) serta
meningkatkan profitabilitas pelanggan.
2. Mengidentifikasi alternatif tindakan.
Harrah mengetahui bahwa pelanggannya memiliki “titik penderitaan”, yaitu jumlah kerugian
dalam berjudi dimana pelanggan meninggalkan kasino. Kasino memiliki perwakilan pelayanan
pelanggan, yang disebut “duta yang beruntung” yang bertanggung jawab untuk
mempertahankan kepuasan pelanggan, dan khususnya untuk memastikan pelanggan tidak
mencapai titik penderitaan.
3. Memperoleh informasi dan melakukan analisis terhadap alternatif.
Untuk memperoleh informasi mengenai titik penderitaan setiap pelanggan, Harrah mulai
melakukan program “Total Hadiah” yang melibatkan kartu elektronik yang dapat dicuri yang
memberikan hadiah tertentu kepada pelanggan tetapi juga menyelesaikan data mengenai
perjudian pelanggan di kasino. Harrah menggunakan informasi tersebut dengan informasi lain
yang disediakan oleh pelanggan Harrah untuk mengembangkan analisis regresi guna
memprediksi titik penderitaan dari setiap pelanggan.
4. Didasarkan strategi dan analisis, pilih dan implementasikan alternatif yang diinginkan.
Harrah mengimplementasikan sistem berdasarkan regresi, sehingga ketika pelanggan tertentu
berjudi di kasino (sistem komputer Harrah memungkinkan untuk mengetahui waktu perjudian
pelanggan yang sebenarnya dan keuntungan atau kerugian pada hari tersebut), perwakilan
pelayanan pelanggan dapat waspada ketika pelanggan mendekati titik penderitaan yang
diprediksinya dan dapat dikirimkan untuk mengajak pelanggan guna beristirahat, serta
kemungkinan menikmati makanan gratis yang dibiayai oleh Harrah.
5. Menyediakan evaluasi terus-menerus mengenai efektivitas implementasi pada tahap 4.
 Sistem Harrah membutuhkan pembaruan yang terus menerus bagi pelanggan baru dan
perubahan perilaku pelanggan, sehingga analisis regresi dapat disimpan hingga saat ini.

Masalah Implementasi: Ketidaklinieran

Regresi linier mengasumsikan hubungan linier antarvariabel, dan estimasi regresi tidak dapat diandalkan
ketika hubungan data bersifat nonlinier. Ketidaklinieran paling sering terjadi ketika pola deret berkala
terhadap data seperti:

1. Tren dan/atau musiman

Karakteristik umum dari data akuntansi adalah tren signifikan yang dihasilkan dari perubahan
harga dan/atau musiman. Jika terdapat tren atau musiman, regresi linier tidak sesuai lagi
dengan datanya, dan akuntan manajemen harus menggunakan metode yang dapat
menghilangkan variabel musiman atau tren tersebut. Metode yang paling lazim digunakan
adalah:
a. Penggunaan indeks perubahan harga untuk menyesuaikan nilai setiap variabel dengan
beberapa periode waktu yang lazim.
b. Penggunaan variabel tren. Variabel tren (trend variable) memiliki nilai 1, 2, 3, … untuk
setiap periode secara berurutan.
c. Penggantian nilai asli dari setiap variabel dengan selisih pertama. Selisih pertama untuk
setiap variabel ialah selisih antara setiap nilai berikutnya pada deret berkala.
Tren yang terjadi di hampir seluruh data keuangan pada deret berkala digunakan dalam
akuntansi manajemen karena inflasi dan pertumbuhan ekonomi.
2. Pencilan data
Ketika terdapat kesalahan atau kondisi bisnis yang tidak lazim atau jarang terjadi memengaruhi
operasinya pada periode tertentu, hasilnya mungkin berupa titik data yang terletak jauh dari
titik data lainnya, yaitu pencilan data. Karena pencilan data dapat menurunkan ketepatan data
keandalan estimasi secara signifikan, pencilan data seharusnya dikoreksi atau disesuaikan
(contohnya, menggunakan variabel rekayasa) jika jelas bahwa pencilan data tersebut tidak lazim
atau tidak berulang.
3. Peralihan data
Berbeda dengan pencilan data, jika kondisi bisnis yang tidak lazim berlangsung lama, seperti
pengenalan teknologi produksi baru atas perubahan tetap lainnya, terdapat perbedaan
pergeseran dari arah rata-rata data yang harus dimasukkan ke dalam estimasi. Salah satu cara
untuk menangani hal tersebut adalah menggunakan variabel rekayasa untuk menandai periode
sebelum dan setelah terjadinya peralihan.