Endang Satriani Siregar.. UTS EM...
Endang Satriani Siregar.. UTS EM...
TR = P x Q
= (200 - 0,00003Q) x Q
MC = TC’
MC = 100 + 0,00002Q2
MC = 100 + 0,00004Q
MR = TR’
MR = (200 - 0,00003Q) x Q
MR = 200 – 0,00006Q
MR = MC P = 200 - 0,00003Q
200 – 0,00006Q = 100 + 0,00004Q P = 200 - 0,00003 (1.000.000)
100 = 0,0001Q P = 200 - 30
Q = 100/0,0001 P = 170
Q = 1.000.000
π=TR-TC
π= 200 - 0,00003Q2 - 7.812.500 + 100Q + 0,00002Q2
π= 170.000.000 – 127.812.500
π= 42.187.500
P = 170 - 0,005Q
TC = 27000 + 32Q + 0,003Q2
TR = P x Q
TR = (170 - 0,005Q) x Q
MC = TC’
MC = 32 + 0,003Q2
MC = 32 + 0,006Q
MR = TR’
MR = (170 - 0,005Q) x Q
MR = 170 - 0,01Q
MR = MC P = 170 - 0,005Q
170 - 0,01Q = 32 + 0,006Q P = 170 - 0,005(862,5)
138 = 0,016Q P = 170 – 4,3125
Q = 138/0,016 P = 165,7
Q = 862,5
π=TR-TC
1
2
b. Asumsikan fungsi Longrun Total Cost (LTC) = fungsi TC di atas, tentukan fungsi LMC dan
LAC dan carilah Q* pada saat MES (minimum efficient scale)
Jawab:
LTC = TC (fungsi TC di atas)
LMC = LTC/Q
MC = 100+0,00004Q
AC = TC/Q
MC = AC
100+0,00004Q = 7.812.500-1+100+0,00002Q
7.812.500-1 Q = - 0,00002Q
7.812.500 = 0,00002Q2
Q2=√(7.812.500/0,00002
Mes Q = 625.000
c. Berdasarkan jawaban (a) dan (b) tentukan apakah pada saat ini perusahaan berada
dalam skala ekonomi atau skala disekonomi?
Jawab:
Kesimpulan ini menyatakan bahwasanya menggunakan multiplant karena laba maksimum
multiplant > laba maksimum single plan, sehingga dapat dikatakan Skala Ekonomis.
Meningkatnya laba maksimum multiplant, akrena VC menurun sebesar 625.000 setelah
menggunakan 2 pabrik, walaupun FC meningkat pada saat menggunakan 2 pabrik
d. Berdasarkan (a) dan (b) seandainya sdr. seorang manajer yang visioner, apakah yang
akan sdr. rekomendasikan kepada dewan komisaris, apakah tetap melakukan
sentralisasi (satu pabrik) atau melakukan desentralisasi (multi pabrik). Buktikan analisis sdr!
Jawab:
MC = 100 + 0,00004 Q
MC = 100 + 0,00004 (625.000)
MC pada Mes = 100 + 25
MC pada Mes = 125
MR = MC
200- 0,00006 Q = 125
75 = 0,00006 Q
Q = 75 / 0,00006
Q = 1.250.000
∏= TR – TC
∏ = P*Q – 2 TC
= 200 – 0,00003 (1.250.000) – 2 (7.812.500+100Q+0,00002Q2)
= (200-37,5)*(1.250.000) – 2(7.812.500+100 (625.000) +0,00002 (625.000)2)
= 162,5 – 2 (7.812.500+62.500.000+7.812.500)
= 203.125.000 – 156.250.000
∏ maksimal = 46.875.000
Q = 391.326
b. Carilah nilai elastisitas output terhadap K (εK) dan L (εL). Seberapa besar output meningkat
dengan meningkatkan masing masing input sebesar 10 persen pada saat bersamaan?
Jawab:
εK = 0,5, input 10% kenaikan sebesar 5%
εL = 0,7, input 10% kenaikan sebesar 7%
c. Tentukan return to scale dalam produksi. Seberapa besar output perusahaan akan
meningkat jika perusahaan meningkatkan kuantitas semua input yang digunakan sebesar
10 persen pada saat yang bersamaan?
Jawab:
0,5 + 0,7 = 1,2
1,2 x 10% = 0,12 / 12%
d. Misalkan interest (r) = 10 dan upah (w) = 1.000.000. Tentukan kombinasi modal dan
tenaga kerja yang optimum bila perusahaan menyediakan anggaran biaya (C) = 24 juta
Jawab:
Q = 10K0,5 L0,7 w = 1.000.000 r = 10 c = 24.000.000
MPK = 10K0,5 - 1 L0,7
MPK = 10K-0,5 L0,7
MPL = 10K0,5 L0,7-1
MPL = 10K0,5 L-0,7
KUARTAL
PERIODE
I II III IV
2012 14.57 17.13 15.47 12.75
2013 13.79 14.44 14.47 11.65
2014 15.14 15.12 14.79 13.08
2015 15.24 15.14 14.84 16.29
2016 16.40 16.74 16.80 16.20
2017 16.20 16.09 18.23 20.99
2018 24.21 25.02 22.62 21.89
2019 21.31 20.11 18.49 16.72
a. Estimasikan tren linear dari data tersebut dan gunakan untuk meramalkan pada setiap
kuartal di tahun 2020?
b. Estimasikan tren log-linear dalam data dan gunakan untuk meramalkan penjualan
permintaan barang di Amerika Serikat untuk setiap kuartal di tahun 1999?
Berdasarkan ramalan ini ditunjukkan oleh titik-titik pada bagian yang putus-putus dari garis
tren yang diperpanjang sampai tahun 2020, pada gambar 1 (dengan mengabaikan
sementara titik-titik yang dilingkari di atas dan di bawah garis). Perlu dicatat bahwa nilai-nilai
permintaan barang yang diramalkan, tanpa membaca garis tren yang diperpanjang, hanya
mempertimbangkan faktor tren jangka panjang di dalam data. Dengan mengabaikan sama
sekali variasi musiman yang sangat signifikan dalam data, nilai-nilai yang diramalkan
tentunya akan jauh melenceng dari nilainya yang aktual di masa mendatang. Tetapi
sebelumnya, kita akan memperlihatkan bagaimana mencocokkan suatu tren laju
pertumbuhan yang konstan (dalam persen) pada data yang sama.
Sementara asumsi tentang suatu jumlah perubahan absolut yang konstan setiap periode
waktu (dalam hal ini kuartal) mungkin tepat dalam banyak kasus, namun pada situasi-situasi
di mana perubahan suatu persentase yang konstan adalah lebih tepat (artinya, lebih cocok
dengan data dan memberikan ramalan yang lebih baik). Model laju pertumbuhan dengan
persentase konstan dapat dirumuskan sebagai:
St = S0 (1 + g)t
Gambar 1 Permintaan Barang Untuk Kuartal Pertama, Kedua, Ketiga dan Keempat Tahun 2012 sampai 2020
30,00
25,00
20,00
15,00
10,00
5,00
0,00
0 5 10 15 20 25 30 35 40
Menggunakan persamaan regresi untuk data tentang penjualan permintaan barang yang
telah ditransformasikan ke dalam logaritma, yaitu:
7
Dari tabel 5 dapat diketahui bahwa kecocokan dari persamaan ini santa mirip dengan
persamaan yang dijelaskan di awal. Karena parameter-parameter yang diperkirakan
8
sekarang didasarkan pada logaritma dari data, mereka harus dikonversikan ke dalam
antilog-nya agar bisa ditafsirkan ke dalam data aslinya. Antilog dari ln S 0 = 2,567851 adalah S0
= 13,04 (diperoleh dengan hanya memasukkan nilai 2,567851 ke dalam kalkulator saku dan
menekan kunci ex untuk antilog), dan antilog dari ln (1 + g) = 0,005 memberikan (1 + g) =
1,014. Subsitusikan nilai-nilai ini kembali ke dalam persamaan, yaitu:
St = 13,04 (1,014)t
Ramalan-ramalan ini sama dengan yang diperoleh dengan menggunakan tren linier.
Seperti yang telah dilihat, nilai-nilai ramalan permintaan barang yang dibaca terpisah dari
garis tren yang diperpanjang dalam gambar 1 hanya mempertimbangkan faktor tren jangka
panjang dalam data. Namum data untuk tahun 2012 sampai 2019 menunjukkan variasi
musiman yang kuat, dengan penjualan pada kuartal tahun pertama secara konsisten
berada di bawah nilai tren jangka panjang yang terkait yaitu sebesar 1,031617. Sementara
penjualan pada kuartal kedua sebesar 1,044058, kuartal ketiga sebesar 0,997449 dan kuartal
keempat sebesar 0,929716secara konsisten berada di atas nilai-nilai tren. Dengan
mempertimbangkan keterkaitan variasi musiman, maka dapat dapat memperbaiki perkiraan
permintaan barang secara signifikan. Ini dapat dilakukan dengan menggunakan metode
rasio tren dengan menggunakan variabel dummy.
Nilai 1,031617 untuk kuartal pertama, untuk kuartal kedua sebesar 1,044058, dan seterusnya)
kita mendapatkan ramalan yang baru berikut ini berdasarkan tren linier dan penyesuaian
musiman, yaitu:
Ramalan-ramalan ini diperlihatkan oleh titik-titik yang dilingkari dalam gambar 1. Perlu dicatat
bahwa dengan memasukkan penyesuaian musiman, nilai-nilai ramalan untuk permintaan
barang sama dengan pola musiman yang lalu dalam data deret waktu sepanjang linier
yang meningkat.
Hasil yang sama bisa diperoleh dengan memasukkan variabel dummy. Dengan mengambil
kuartal terakhir sebagai periode dasar dan menentukan variabel dummy D1 melalui deret
waktu dengan angka 1 dalam kuartal pertama setiap tahun dan nol untuk kuartal-kuartal
yang lain, dan D2 dengan angka 1 dalam kuartal kedua dan nol untuk kuartal-kuartal yang
lain, dan D3 dengan angka 1 untuk kuartal ketiga dan nol untuk kuartal-kuartal yang lain, kita
memperoleh hasil-hasil berikut dengan menjalankan regresi dari permintaan barang pada
variabel-variabel pengganti musiman dan tren waktu linier.
Tabel 6 Kalkulasi Penyesuaian Musiman Tren Peramalan Oleh Metode Rasio Terhadap Tren
Tahun Perkiraan Aktual Aktual/Perkiraan
2012,1 12.93 14.57 1.126837
2013,1 13.97 13.79 0.987115
2014,1 15.00 15.14 1.009333
2015,1 16.03 15.24 0.950717
2016,1 17.06 16.40 0.961313
2017,1 18.10 16.20 0.895028
2018,1 19.13 24.21 1.265551
2019,1 20.16 21.31 1.057044
rata2= 1.031617
2012,2 13.19 17.13 1.298711
2013,2 14.22 14.44 1.015471
2014,2 15.26 15.12 0.990826
2015,2 16.29 15.14 0.929405
9
35 0 0 1 21.767622
36 0 0 0 21.000122
Hanya 3 variabel dummy yang digunakan untuk empat musim, dengan konstanta dari regresi
mewakili yang keempat.
Perlu dicatat bahwa koefisien-koefisien hasi estimasi untuk variabel dummy dan variabel tren
semuanya adalah signifikan secara statistik pada tingkat lebih dari 1 persen. Persamaan
menjelaskan 0,5229 atau 52,29% persen dari variabel dari variasi dalam penjualan permintaan
barang. Dengan menggunakan persamaan di atas untuk meramalkan penjualan
permintaan barang pada tiap kuartal tahun 2020, maka didapat yaitu:
c. Bentuk mana yang lebih cocok dengan data yang ada? Dan kenapa kita
mengharapkan kedua hasil ramalan kurang baik?
Nilai-nilai hasil ramalan ini sama seperti yang diperoleh melalui rasio tren. Jadi, dalam kasus ini
kedua metode ini merupakan alternatif yang baik untuk memasukkan variasi musiman ke
dalam peramalan. Jika polanya berubah secara drastis, ramalannya tentu akan meleset
jauh. Dalam hal ini lebih memungkinkan berikutnya memasukkan hal-hal di masa datang
yang diperhatikan dalam peramalan. Lagipula tidak mungkin mempertimbangkan kekuatan-
kekuatan siklis, tak teratur atau acak. Jadi, analisis deret waktu tidak dapat meramalkan titik
balik sampai hal itu terjadi. Meskipun ini tidak terlihat penting dalam data historis tentang
penjualan permintaan barang dalam soal di atas, peristiwa ini bukannya situasi-situasi dalam
kasus-kasus lain yang nyata. Pada akhirnya, analisis deret waktu tidak mengkaji faktor-faktor
yang menimbulkan terjadinya fluktuasi deret waktu yang ditinjau. Dalam kejadian manapun
analisis deret waktu yang digunakan tersendiri, tetapi sangat berguna klau digabungkan
dengan metode-metode peramalan lain.