Estimasi biaya adalah pengembangan hubungan yang baik antara objek biaya dengan penggerak
biayanya untuk tujuan memprediksi biaya.
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.
Manajemen membutuhkan estimasi biaya yang akurat untuk banyak aplikasi, termasuk :
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.
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 :
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.
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 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.
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.
7. Pengendalian manajemen
X = akumulasi output
b = indeks 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.
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.
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.
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.
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.
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 (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.