Modul 5 Penaksiran Fungsi

Permintaan
Pendahuluan
 Penaksiran fungsi permintaan sangat
bermanfaat bagi manajer untuk menganalisis
kebijakan penjualan perusahaan dan
menganalisis daya beli individu dan
masyarakat. Informasi mengenai fungsi
permintaan suatu produk tidak selalu
tersedia.
 Manajer perusahaan untuk memperoleh
informasi mengenai fungsi permintaan,
melalui berbagai metode, seperti melakukan
penelitian mendalam di pasar dan melalui
pendekatan statistik.
Penaksiran Dan Prakiraan
Permintaan
 Penaksiran dan prakiraan permintaan
memiliki tujuan yang berbeda-beda.
 Tujuan utama penaksiran permintaan adalah
untuk mengevaluasi penentuan harga produk,
yaitu apakah penentuan harga produk oleh
perusahaan telah sesuai dengan kemampuan
individu dan masyarakat.
 Prakiraan permintaan dimaksudkan untuk
sebagai sumber informasi di dalam
merencanakan produksi produk dan
pengembangan produk di masa depan.
 Penaksiran Dan Prakiraan
Permintaan
Perbedaan antara penaksiran dan peramalan
permintaan dapat dijelaskan pada gambar berikut:

2010 2011 2012 2013

Penaksiran fungsi permintaan Peramalan permintaan

Metode Penaksiran Permintaan
1. Metode langsung
a. Wawancara dan survei
b. Pasar simulasi
c. Eksperimen pasar secara langsung
2. Metode tidak langsung
→ Analisis regresi
Aplikasi Analisis Regresi
Y = a + bX
Dimana:
Y = variabel terikat
X = variabel bebas
a = konstanta
b = koefisien arah garis kurva (tingkat
sensitivitas harga produk terhadap
jumlah produk yang diminta)
Aplikasi Analisis Regresi
Rumus untuk menghitung nilai a dan b adalah
sebagai berikut:
n XY -  X Y
b=
n X − ( X )
2 2

a= Y −b X

Y =
 Y
n

X=
 X
n
 Contoh
Diketahui: Data Penjualan Produk Apel Perusahaan A

Tahun Harga (P) Jumlah (Q)

2001 9.000 160
2002 8.000 335
2003 7.000 500
2004 6.000 640
2005 5.000 800
2006 4.000 850
2007 3.000 900
2008 2.000 970
 Pembahasan
n Harga (P) Jumlah (Q)
X Y XY X2 Y2
1 9.000 160 1.440.000 81.000.000 25.600
2 8.000 335 2.680.000 64.000.000 112.225
3 7.000 500 3.500.000 49.000.000 250.000
4 6.000 640 3.840.000 36.000.000 409.600
5 5.000 800 4.000.000 25.000.000 640.000
6 4.000 850 3.400.000 16.000.000 722.500
7 3.000 900 2.700.000 9.000.000 810.000
8 2.000 970 1.940.000 4.000.000 940.900
∑X ∑Y ∑XY ∑X2 ∑Y2
44.000 5.155 23.500.000 284.000.000 3.910.825
Pembahasan
n XY -  X Y
b=
n X2 − ( X )
2

(8  23.500.000) − (44.000  5.155 )

b=
(8  284.000.000) - (44.000)2
188.000.000 − 226.820.000
b=
2.272.000.000 - 1.936.000.000
− 38.820.000
b=
336.000.000
b = −0,1155357143
b = −0,116 (pembulatan)
Pembahasan
a= Y −b X

Y =
 Y
n
5.155
Y = = 644.375
8

X=
 X
n
44.000
X= = 5.500
8
Pembahasan
a = 644,375 − (−0,1155357143  5.500)
a = 644,375 − (−635,4464287)
a = 1.279,821429
a = 1.280 (pembulatan)

Berdasarkan pada perhitungan di atas, maka

dapat diketahui fungsi permintaannya adalah
Y = 1.280 – 0,116X atau Q = 1.280 – 0,116P
Aplikasi analisis regresi secara
komputerisasi
Analisis regresi untuk Perusahaan A (data runtut waktu)

Regression Analysis: Jumlah (Q) versus Harga (P)

The regression equation is

Jumlah (Q) = 1280 - 0,116 Harga (P)
Predictor Coef SE Coef T P
Constant 1279,82 63,29 20,22 0,000
Harga (P) -0,11554 0,01062 -10,88 0,000

S = 68,8414 R-Sq = 95,2% R-Sq(adj) = 94,4%

Analysis of Variance

Source DF SS MS F P
Regression 1 560637 560637 118,30 0,000
Residual Error 6 28435 4739
Total 7 589072
Kurva
Scatterplot of Harga (P) vs Jumlah (Q)
10000

9000

8000

7000
Harga (P)

6000

5000

4000

3000

2000

100 200 300 400 500 600 700 800 900 1000
Jumlah (Q)
Koefisien Determinasi
 Koefisien Determinasi merupakan angka hasil
proses analisis regresi yang menunjukkan
seberapa besar proporsi dari variabel bebas
untuk menjelaskan variabel terikat.
 Rumus untuk menghitung Koefisien Determinasi
adalah sebagai berikut:
2
 
2  n XY -  X Y 
R =

 n X 2 2

− ( X ) n Y − ( Y )
2 2
 


 Contoh
Perusahaan A
2
 
2  n XY -  X Y 
R =
 
 n X 2 − ( X )2 n Y 2 − ( Y )2
  


2
 (8  23.500.000) − (44.000  5.155) 
R =
2 

   
(8  284.000.000) − (44.000)2 (8  3.910.825) − (5.155)2 
2
 − 38.820.000 
R2 =  
 39.792.275,63 

R 2 = 0,952