Metode Kuadrat Terkecil

Konsep garis yang paling sesuai dengan titik-titik ditampilkan pada grafik sebar. Secara intuitif,
itu adalah garis yang titik datanya paling dekat. Perlu diingat bahwa kita sedang mencari garis
lurus yang merupakan prediktor terbaik dari total biaya untuk beberapa aktivitas. Garis
sewenang-wenang dapat ditarik. NS kedekatan setiap titik ke garis dapat diukur dengan jarak
vertikal dari titik dari garis. Jarak vertikal ini adalah perbedaan antara biaya aktual dan biaya
yang diprediksi oleh garis
Jarak vertikal mengukur kedekatan satu titik dengan garis, tetapi kita membutuhkan ukuran
seberapa dekat semua titik dengan garis. Salah satu kemungkinannya adalah mengukur deviasi
semua titik pada garis dan menjumlahkan semua ukuran tunggal untuk memperoleh ukuran
keseluruhan.
Karena ukuran kedekatan adalah jumlah deviasi kuadrat dari titik dari garis, semakin kecil
ukurannya, semakin baik garis tersebut sesuai dengan titiknya.
Pada prinsipnya, membandingkan ukuran kedekatan dapat menghasilkan peringkat semua lini
dari yang terbaik hingga yang terburuk. Garis yang lebih cocok dengan titik-titik daripada garis
lainnya disebut garis yang paling pas. Ini adalah garis dengan jumlah deviasi kuadrat terkecil
(paling sedikit).
Menggunakan Program Regresi
Menghirtung rumus regresi dapat menggunakan spreadsheet paket seperti Lotus 1-2-3, Quattro
Pro, dan Microsoft Excel memiliki rutinitas regresi yang akan melakukan perhitungan. Yang
perlu dilakukan hanyalah memasukkan data. Program regresi spreadsheet menyediakan lebih
dari perkiraan koefisien
Langkah pertama dalam menggunakan komputer untuk menghitung koefisien regresi adalah
masukkan datanya. Langkah selanjutnya adalah menjalankan regresi.
Kemudian, pindahkan kursor ke awal persegi panjang "tergantung" dan memblokir nilai dalam
sel B2 hingga B6. Akhirnya, Anda perlu memberi tahu computer di mana untuk menempatkan
output. Blok persegi panjang berukuran bagus, katakanlah sel A9 hingga F16, dan klik "Oke."
Dalam waktu kurang dari sekejap mata, output regresi selesai.
Setup cost : 125 $ + ($6.75 X Setup hours).
Rumus diatas digunakan untuk memprediksi biaya penyetelan untuk bulan-bulan mendatang
seperti yang kami lakukan dengan formula untuk metode tinggi-rendah dan scatterplot
Menggunakan prediksi ini sebagai standar, garis scatterplot paling mendekati garis kuadrat
terkecil.
Keandalan Rumus Biaya
Sedangkan output komputer juga dapat memberikan kita biaya tetap dan biaya variable
koefisien, kegunaan utamanya terletak pada kemampuannya untuk memberikan informasi
tentang bagaimana handal rumus perkiraan biaya. Ini adalah fitur yang tidak disediakan oleh
scatterplot atau metode tinggi-rendah. Output juga dapat sebagai dasar untuk membahas
penilaian statistik keandalan formula biaya: kebaikan kecocokan.
R2—Koefisien Determinasi
Grafik sebar yang dapat dibuat menegaskan keyakinan ini karena mengungkapkan bahwa biaya
penyetelan dan jam penyetelan tampaknya bergerak bersama. Dengan demikian, tampaknya
masuk akal bahwa jam penyetelan akan menjelaskan banyak variabilitas dalam biaya penyetelan.
Kita dapat menentukan secara statistik seberapa besar variabilitasnya dijelaskan dengan melihat
koefisien determinasi, atau R2. R2, atau koefisien determinasi, adalah persentase variabilitas
dalam variabel dependen yaitu dijelaskan oleh variabel bebas. Persentase ini adalah ukuran
kecocokan. Semakin tinggi persentase variabilitas biaya yang dijelaskan, semakin baik
kecocokannya..
Koefisien Korelasi
Ukuran lain dari kecocokan adalah koefisien korelasi, yang merupakan akar kuadrat dari
koefisien determinasi. Karena akar kuadrat bisa negatif, maka nilai koefisien korelasi dapat
berkisar antara 1 dan 1. Jika koefisien korelasi positif, maka kedua variabel (dalam contoh ini,
biaya dan aktivitas) bergerak bersama dalam arah yang sama, dan korelasi positif ada. Positif
sempurna korelasi akan menghasilkan nilai 1,00 untuk koefisien korelasi. Jika, pada Sebaliknya,
koefisien korelasinya negatif, maka kedua variabel tersebut bergerak masuk cara yang dapat
diprediksi tetapi dalam arah yang berlawanan. Korelasi negatif sempurna akan menghasilkan
koefisien korelasi -1,00. Koefisien nilai korelasi yang mendekati nol menunjukkan tidak ada
korelasi. Artinya, pengetahuan tentang pergerakan satu variable tidak memberi kita petunjuk
tentang pergerakan variabel lain. Peraga 3-16 mengilustrasikan konsep korelasi
Namun, akar kuadrat dapat berupa positif atau negatif. Akar kuadrat di sini adalah positif karena
korelasi antara jam penyetelan dan biaya penyetelan adalah positif. Di lain kata-kata, karena
jumlah jam pengaturan kerja meningkat, total biaya pengaturan juga meningkat. Jika biaya
menurun dengan meningkatnya penggunaan aktivitas, maka koefisien korelasi (dan nilai
koefisien X) adalah negatif. Tanda dari koefisien mengungkapkan tanda koefisien korelasi.
Positif yang sangat tinggi korelasi antara biaya setup dan jam setup menunjukkan bahwa jam
setup adalah a pilihan yang baik untuk driver biaya.