Pokok Bahasan

Penaksiran Fungsi Permintaan

Sub Pokok Bahasan

1. Identifikasi dan penaksiran permintaan.
2. Teknik Wawancara, survey, dan eksperimentasi pasar.
3. Analisis kualitatif.
4. Metode analisis regresi.
5. Metode analisis waktu dan proyeksi.

Pengertian Identifikasi dan Penaksiran Permintaan

Identifikasi dan penaksiran permintaan adalah suatu proses pengamatan dan penaksiran
suatu permintaan produk barang atau jasa dipasaran.

Penaksiran permintaan itu sendiri adalah proses menemukan nilai-nilai koefisien dari
fungsi permintaan suatu produk. Dimana fungsi permintaan adalah fungsi dari variabel-variabel
harga, iklan, pendapatan konsumen, trend, dan variabel- variabel lain yang mempengaruhi
tingkat permintaan.

Metode Penaksiran Permintaan

Metode estimasi (penaksiran) dalam fungsi permintaan bisa digolongkan menjadi 2 yaitu:

a. Metode langsung

Metode langsung adalah metode yang langsung melibatkan konsumen, misalnya melalui
wawancara dan survey, pasar simulasi dan eksperimen pasar terkendali.

1) Wawancara dan survey

Metode penaksiran permintaan secara langsung adalah dengan cara mewawancarai para pembeli
atau pembeli potensial mengenai berapa kenaikan atau penurunan jumlah produk yang mereka
beli jika harganya berubah. Kelompok sasaran dapat dikumpulkan untuk membicarakan masalah
tersebut, atau kuesioner ditujukan kepada suatu sampel pembeli. Walaupun kelihatannya
sederhana, dalam pelaksanaannya pendekatan ini menghadapi banyak kesulitan, yaitu :

· Kecakapan random

Individu yang disurvei harus mewakili pasar secara keseluruhan sehingga hasilnya tidak bias.
Oleh sebab itu sampel harus cukup besar dan menggunakan metode random sehingga informasi
pasar yang layak untuk mengadakan rencana perubahan.
· Bias pewawancara

Dalam hal ini kehadiran pewawancara dapat mempengaruhi perasaan responden sehingga
responden dapat memberikan jawaban-jawaban yang tidak benar. Bias pewawancara sering
terjadi baik dalam personal interview, dan bahkan koesioner yang diposkan sekalipun (sebab ada
orang lain yang membacanya).

· Adanya kesenjangan antara niat dan tindakan

Masalah ini sering disebut juga sebagai masalah akurasi jawaban (response accurasy). Konsumen
benar-benar berniat membeli suatu produk ketika diwawancarai, tetapi ketika dipasarkan
mungkin sesuatu hal telah mengubah niat dan pikiran konsumen tersebut. Akhirnya jawaban-
jawaban responden juga tidak dapat dipercaya bila pertanyaan yang diajukan membingungkan
atau ditafsir salah atau mengundang hal-hal di luar dunia imajinasi konsumen. Secara ringkas
bisa dikatakan bahwa dalam membuat koesioner, harus dipikirkan masak-masak dan hati-hati
dan harus disertai analisis dalam menginterprestasikan hasil survei. Berikut diberikan contoh
hasil survei pasar.

Secara ringkas bisa dikatakan bahwa dalam membuat koesioner, harus dilakukan dengan
pertimbangan yang matang, dan kita harus berpikir kritis dalam menginterpretasikan hasil-hasil
survey tersebut. Berikut contoh hasil survey pasar.

Contoh:

Perusahaan sepatu NANIA ingin memperkenalkan sepatu baru dan ingin menaksir kurva
permintaan untuk sepatu baru itu. Para staf departemen riset pasar telah membuat survey dengan
kuesioner atas seribu orang yang diwawancarai yang sedang berbelanja barang-barang yang
sifatnya sama. Orang-orang yang diwawancarai masing-masing diminta untuk memilih salah
satu dari enam jawaban apakah mereka benar-benar ingin membeli sepatu baru itu pada 5 tingkat
harga?

Jawaban-jawabannya adalah (a) sama sekali tidak; (b) nampaknya tidak; (c) barangkali,
mungkin; (d) nampak suka; (e) sangat suka; (f) pasti ya. Jumlah orang-orang yang menjawab
pada setiap kategori pada setiap tingkat harga ditunjukkan pada table dibawah. Analisis telah
menentukan bahwa probabilitas untuk pembelian nyata atas produk tersebut untuk setiap
jawaban adalah 0,0 untuk jawaban (a); 0,2 untuk jawaban (b); 0,4 untuk jawaban (c); 0,6 untuk
jawaban (d); 0,8 untuk jawaban (e); 1,0 untuk jawaban (f).
 Harga Jumlah Responden Kuantitas
(ribu yang
(a) (b) (c) (d) (e) (f)
rupiah) diharapkan
9 500 300 125 50 25 0 160
8 300 225 175 150 100 50 335
7 100 150 250 250 150 100 500
6 50 100 100 300 250 200 640
5 0 25 50 225 300 400 800

Dari data di atas kita dapat memperoleh nilai harapan jumlah yang diminta pada setiap tingkat
harga. Sebagi contoh, pada tingkat harga Rp 9 ribu, harapan dari penjualan setiap kelompok
responden adalah:

E(Q) = 500 (0,0) + 300 (0,2) + 125 (0,4) + 50 (0,6) + 25 (0,8) + 0 (1,0)

= 160 unit

Dengan begitu kita dapat menghitung harga-harga yang lain dengan cara yang sama.
Dengan menempatkan koordinat kuantitas harga tersebut pada suatu grafuk, tampak bahwa
intersep kurva permintaan mendekati Rp 10 ribu dan slopenya mendekati -5/800 atau -0,00625.
Taksiran atas slope tersebut bisa deperoleh dengan melihat bahwa jika harga turun dari Rp 10
ribu ke Rp 5 ribu (meningkat = -5 ribu), jumlah yang diminta meningkat dari 0 menjadi 800 unit
(naik = 800). Taksiran kurva permintaan tersebut adalah Px = 10,00 – 0,00625Qx.

2) Pasar simulasi

Alat lain untuk mengetahui respon konsumen terhadap perubahan harga atau kegiatan promosi
adalah dengan cara membuat suatu pasar simulasi (buatan) dan mengamati perilaku dari para
partisipan terpilih dalam pasar simulasi tersebut. Cara seperti ini disebut “klinik konsumen”dan
dilakukan dengan cara memberikan sejumlah uang kepada para partisipan tersebut dan meminta
mereka agar membelanjakan uang tersebut pada lingkungan toko buatan tersebut. Untuk
kelompok partisipan yang berbeda ditetapkan harga dan peragaan promosi yang berbeda pula.
Bila para partisipan dipilih secara seksama sehingga dapat mewakili pasar produk-produk
tersebut, kita dapat mengamati sesudah reaksi mereka terhadap perubahan harga dan berbagai
kegiatan promosi dan menyimpulkan bahwa seluruh pasar akan merespon perubahan harga
tersebut dengan cara yang sama.

Hasil dari uji pasar simulasi ini harus diamati secara cermat. Ada kemungkinan bahwa cara para
partisipan tersebut membelanjakan uang orang lain berbeda dengan cara mereka membelanjakan
uang mereka sendiri. Kemungkinan lain adalah para partisipan tersebut akan memilih produk
tertentu bila harganya diturunkan agar tampak bahwa mereka adalah pembelanja yang hemat dan
bertanggung jawab. Metode ini nampaknya merupakan metode pencarian data yang mahal sebab
biaya relatif tinggi karena kita harus menyediakan produk yang akan dipilih para partisispan dan
prosesnya memakan banyak waktu. Konsekuensinya, tentu saja kita akan menunjukkan jumlah
sampel yang sedikit. Namun demikian, metode eksperimen ini dapat memberikan wawasan yang
berguna bagi kita untuk mengetahui kesadaran harga konsumen dan reaksi mereka secara umum
terhadap perubahan variable-variabel promosi tertentu.

3) Eksperimen pasar secara langsung

Eksperimen pasar secara langsung ini melibatkan orang-orang yang benar-benar berada di situasi
pasar sebenarnya yang membelanjakan uangnya untuk barang dan jasa yang mereka inginkan.
Perusahaan memilih satu kota atu lebih, pasar regional, atau negara dan melakukan eksperimen
pada “pasar-pasar uji” ini dirancang untuk mencari tahu “penerimaan” konsumen atas produk
dan mengidentifikasi dampak perubahan dari satu variabel yang dapat dikendalikan atau lebih
terhadap jumlah yang diminta.

Sebagai contoh, pada sebuah pasar regional perusahaan dapat memotong harga produknya
sebesar 10% dan membandingkan reaksi penjualan pada pasar tersebut dengan pasar regional
serupa lainnya. Kemungkinan lain, perusahaan tersebut dapat meningkatkan promosi di pasar
tertentu untuk “menilai” dampak dari suatu perubahan sebelum menanggung biaya dan resiko
yang lebih besar untuk melakukan perubahan tersebut di seluruh wilayah negara.

b. Metode tidak langsung

Metode tidak langsung adalah metode yang dilakukan berdasarkan data yang telah dikumpulkan
dan kemudian dilakukan upaya-upaya untuk menemukan hubungan-hubungan statistic antara
variable dependen dengan independen.

Analisis Regresi Permintaan

Analisis regresi permintaan adalah sebuah teknik statistik yang digunakan untuk menemukan
ketergantungan dari suatu variabel terhadap satu atau lebih variabel lain. Jadi teknik ini dapat
diterapkan untuk mencarai nilai dari koefisien-koefisien tersebut menunjukkan pengaruh dari
variabel yang menentukan permintaan sebuah produk. Untuk analisis regresi, kita membutuhkan
sejumlah observasi, masing-masing terdiri dari variabel dependen Y dan nilai variable
independen X yang berhubungan. Analisis regresi ini memungkinkan kita untuk menarik
kesimpulan dari pola hubungan yang ditunjukan oleh hasil observasi. Dalam analisis ini dapat
digunakan data runtut-waktu (time series) maupun data seksi-silang (cross-section).

1. Analisis Runtut Waktu dan Seksi Silang

a. Analisis Runtut Waktu (time series)

Analisis runtut waktu menggunakan observasi yang telah dicatat selama waktu tertentu dalam
situasi tertentu. Misalnya, tingkat harga dan penjualan bulanan suatu produk dan sebuah
perusahaan yang telah dikumpulkan selama enam atau dua belas bulan. Satu masalah dalam
analisis ini adalah bahwa beberapa faktor yang tak dapat dikendalikan yang mempengaruhi
penjualan cenderung untuk berubah selama periode waktu tersebut, sehingga beberapa perbedaan
dalam observasi penjualan merupakan akibat dari pengaruh-pengaruh ini, dan bukan pengaruh
dari tingkat harga. Jika perubahan variabel-variabel tak terkendali tersebut dapat diamati dan
diukur, kita dapat memasukan variabel-variabel ini sebagai variabel indevenden dalam analisis
regresi. Misalnya, tindakan para pesaing dan perubahan tingkat pendapatan konsumen sebaiknya
dikuantifikasikan (secara langsung atau dengan variabel proksi yang tepat) dan dimasukan
kedalam analisis.

b. Analisis Seksi Silang (cross-section)

Analisis seksi silang menggunakan obsevasi-observasi dari perusahaan yang berbeda dalam
lingkungan bisnis yang sama. Dengan demikian, analisis ini bisa mengurangi masalah yang
ditimbulkan oleh perubahan variabel-variabel tak terkendali sepanjang waktu, tetapi timbul
faktor-faktor seperti efektifitas tenaga penjualan, posisi aliran kas, tingkat kegiatan promosi, dan
tujuan manajemen berbeda-beda antar perusahaan, maka kesemua hal tersebut akan mempunyai
dampak yang berbeda pula terhadap tingkat penjualan. Sekali lagi, jika faktor-faktor ini dapat
dikuantifikasikan dan datanya dapat dimasukan kedalam analisis regresi untuk mengetahui
dampaknya terhadap variabel dependen.

2. Linieritas Persamaan Regresi

Dengan hipotesis bahwa Y merupakan suatu fungsi dari X atau beberapa variable X, maka dapat
ditentukan bentuk ketergantungan variabel Y terhadap variable-variabel X. dalam analisis regresi
menurut "ketergantungan" dinyatakan dengan:

a. Bentuk linier

Y = a + b1X1 + b2X2 + … + bnXn + e

Dimana e adalah nilai kesalahan atau residu yang timbul karena adanya perbedaan antara
nilai aktual setiap Y yang diobservasi untuk setiap nilai X dengan nilai Y yang ditaksir oleh
persamaan regresi untuk nilai-nilai X tertentu. Untuk observasi individual bisa terjadi nilai residu
negative atau positif sebab adanya variasi random dari nilai Y.

b. Bentuk Non linier

Y = αX1β1X2β2

Dimana variable-variabel independennya (X1 dan X2) mempunyai pengeruh berganda terhadap
variable dependen Y. hubungan garis lengkung ini dapat dinyatakan sebagai suatu hubungan
garis lurus dengan transformasi logaritma. Dengan melogaritmakan nilai Y, X1 dan X2.

c. Bentuk logaritma

logY = log a + b1 log X1 + b2 log X2

Dalam bentuk ini, persamaannya menjadi linier dan koefisien b1 dan b2 langsung dapat dicari
dengan analisis regresi. Koefisien a pada persamaan diatas dapat diperoleh dengan membalikkan
transformasi (yakni denga antilog) nilai log a yang diberikan analisis regresi tersebut.

d. Bentuk kuadratik

Y = a + b1X1 + b2X12

Kemungkinan lain bentuk fungsi yang cocok untuk menunjukkan hubungan antara variable
dependen dan variable independen adalah bersifat kuadratik yaitu dengan mengkuadratkan
variable independen yang sama (X1).

e. Bentuk pangkat tiga

Y = a + b1X1 + b2X12 + b3X13

Bentuk fungsi pangkat tiga ini dapat digunakan pada kasus fungsi produksi dan fungsi biaya
total, dan analisis regresi dapat digunakan untuk menentukan nilai-nilai dari parameter a, b1, b2
dan b3.

3. Penaksiran Parameter Regresi

Metode kuadrat kecil sering disebut ordinary least squares (OLS), adalah proses matematis untuk
menentukan intersep dan slope garis yang paling tepat yang menghasilkan jumlah kuadrat
deviasi (simpangan) yang minimum.

4. Koefisien Determinasi

Koefisien determinasi (R2), adalah angka yang menunjukan proporsi variabel dependen yang
dijelaskan oleh variasi variable independen. Artinya, R2 menunjukkan seberapa jauh kesesuaian
persamaan regresi tersebut dengan data. Koefisien determinasi dapat dihitung dengan rumus :

R2 =

5. Kesalahan Baku Penaksiran

Kesalahan baku penaksiran adalah ukuran penyebaran (dispersi) data dari garis yang paling
tepat. Dengan kesalahan baku penaksiran ini (Se), kita dapat menghitung interval keyakinan
(sekitar nilai penaksiram untuk variabel independen) untuk tingkat tingkat keyakinan yang
berbeda. Intervalkeyakinan adalah kisaran nilai dimana observasi aktual diharapkan terletak
dalam persentase tertentu pada waktu tertentu.

Kesalahan baku penaksiran dapat dihitung dengan rumus berikut :

Se =
6. Daya Prediksi Persamaan Regresi

Bila interval keyakinan relative sempit, karena nilai kesalahan baku yang relative kecil, maka
kita dapat mengatakan bahwa persamaan regresi itu mempunyai kemampuan prediksi yag lebih
besar daripada nilai Se yang relative besar dengan interval keyakinan relative luas. Untuk
menentukan nilai Se lebih besar atau kecil maka dapat menghubungkannya dengan nilai rata-rata
observasi ( ). Bila rasio Se/ < 0,05, maka deviasi absolute rata-rata

7. Kesalahan Baku Koefisien

Kesalahan baku koefisien Sβ adalah ukuran ketepatan nilai β yang diperoleh, yaitu koefisien
yang menaksir hubungan marginal antara variable X dengan Y.

Kesalahan baku koefisien dapat dihitung dengan rumus :

Sβ =

Masalah- Masalah dalam Analisis Regresi

Ada enam masalah utama yang harus diperhatikan dalam analisis regresi, yaitu antara lain:

a. Kesalahan Spesifikasi

Yang menyebabkan hasil regresi kurang dapat dipercaya antara lain disebakan oleh kekeliruan
dalam menentukan hubungan antara variabel tidak bebas dengan variabel tidak bebas dengan
variabel bebas. Ada dua kemungkinan kesalahan tersebut, yang pertama adalah kesalahan dalam
menggunakan bentuk hubungan fungsi antar variabel. Misalnya bentuk hubungan yang
sesungguhnya tidak linier tetapi cetakan regresi yang dipakai menunjukkan hubungan linier.
Sebenarnya dalam batas-batas tertentu landasan teori memberikan petunjuk mengenai bentuk
hubungan tersebut. Akan tetapi dalam menemukan bentuk yang tepat, kita dapat menggunakan
cara dengan mencoba berbagai bentuk persamaan. Bentuk persamaan yang nilai paling tinggi
kita anggap paling tepat. Sedangkan yang kedua kesalahan yang lain adalah kesalahan dalam
bentuk tidak memasukkan variabel penjelasan yang relevan. Masalah ini diminimumkan melalui
pengkajian teoritik yang cukup memadai. Memang disamping itu dengan cara merubah
komposisi variabel-variabel penjelas, kita dapat mengatasi masalah ini.

b. Kesalahan Pengukuran

Kesalahan berikutnya yang seharusnya dihindari adalah pengukuran variable yang tidak tepat.
Variabel harga sangat jelek dalam hal pengukurannya. Ukuran harga yang mudah diperoleh pada
umumnya adalah daftar harga atau harga yang ditawarkan oleh produsen tetapi sering tidak
akurat dalam menggambarkan harga actual yang dibayar konsumen. Bila mana ada tawar
menawar, potonngan, ataupun tukar tambah, jumlah uang yang dibayarkan secara aktual
mungkin lebih rendah dari daftar harga.
c. Hubungan persamaan Simultan

Dalam merancang sebuah fungsi regresi tidak dibenarkan adanya hubungan timbal balik anatara
variabel tidak bebas dengan salah satu atau lebih variabel bebas. Bila ketentuan ini dilanggar
maka timbul apa yang disebut bias persamaan (equation bias). Contoh yang sangat populer
adalah penggunaan metode OLS untuk mengestimasi kurva permintaan pasar, dimana terdapat
hubungan timbal balik antara harga dan kuantitas yang diminta. Kita dapat memperlakukan baik
harta ataupun jumlah yang diminta sebagai variabel bebas atau sebagai variabel tidak bebas. Hal
ini disebabka n oleh baik dari segi teori maupun dalam kenyataan keduanya ditentukan secara
simultan (bersamaan) oleh kedua variabel itu sendiri.

d. Multikolinieritas

Multikolinieritas timbul sebagai akibat adanya hubungan kasual antara dua variabel pejelas
(variabel bebas) atau lebih, atau sebagai akibat adanya kenyataan bahawa dua variabel penjelas
atau lebih secara bersama-sama dipengaruhi oleh variabel ketiga yang berada diluar sistem
persamaan regresi.

Keberadaan multikolinieritas dapat ditemukan melalui tes korelasi antar variabel penjelas. Kalau
diketemukan korelasi yang tinggi, maka salah satu variabel penjelas dilepas.Dengan adanya
multikolinieritas maka hasil estimasi koefisien regresi bersifat bias. Analisa regresi tidak mampu
menemukan hubungan yang benar dan kemampuan hubungan yang benar prediksinya menjadi
lemah. Namun demikian maslah adanya multikolinieritas dalam fungsi regresi dapat ditoleransi
apabila persamaan itu dimaksudkan untuk tujuan prediksi, karena kita ingin mengetahhui
pengaruh seluruh variabel bebas bersama-bersama dan bukan untuk menjelaskan kekuatan-
kekuatan hubungan masing-masing variabel bebas terhadap variabel tidak bebas. Tetapi bila
regresi digunakan untuk keperluan sebagai modal penjelas, maka harus tidak ada
multikolinieritas.

e. Heteroskedastisitas

Keadaan unsur ini dapat dilihat dari grafik distribusi nilai “residuals”. Kalau grafiknya secara
teratur membengkok atau mengecil dengan bertambah besarnya nilai variabel penjelas, maka kita
harus waspada dalam menginterprestasikan bessaran statistik t dan karena kurang dapat
dipercaya dengan kecenderungan terlalu tinggi diatas nilai yang sebenarnya. Nilai kesalahan
standar koefisien regresi memberikan indikasi yang keliru. Masalah ini dapat diatasi dengan
meninjau kembali komposisi variabel-variabel penjelas dan merubah bentuk persamaan
hubungan fungsional.

f. Otokorelasi atau serialkorelasi

Otokorelasi adalah masalah lain yang timbul bila kesalahan tidak sesuai dengan batasan yang
diisyaratkan oleh analisis regresi. Otokorelasi atau serialkorelasi hanya terjadi kalau kita
mengggunakan data kurun waktu (time series) dan ditandai oleh pola kesalahan yang beruntun.
Yakni besarnya kesalahan kian besar atau kecil.

Yang menunjukkan pola siklus atau lainnya, karena observasi-observasi X disusun secara
kronologis, pola ini menadakan bahwa beberapa variabel lain berubah secara sistematis dan
mempengaruhi variabel dependen. Otokorelasi dapat ditemukan secara visual melalui grafik time
series residuals atau uji statistik “Durbin waston”.

Otokorelasi dapat dihilangkan dengan menambahkan variabel yang dapat menjelaskan

perubahan yang sangat sistematis tersebut kedalam persamaan regresi. Sebagai contoh, bila
residu nampak mengikuti pola siklus, variabel “Dummy” dibutuhkan bagi perhitungan variasi
musiman.