ESTIMASI/PENAKSIRAN PERMINTAAN
Puji syukur kehadirat Tuhan Yang Maha Esa yang telah memberikan kita berbagai
macam nikmat. Sehingga aktifitas hidup yang kita jalani ini akan selalu membawa
keberkahan, baik kehidupan di dalam dunia ini dan lebih-lebih lagi pada kehidupan akhirat
kelak. Sehingga semua cita-cita serta harapan yang ingin kita capai menjadi lebih mudah dan
penuh manfaat.
Terima kasih sebelumnya dan sesudahnya kami ucapkan kepada Dosen serta teman-
teman sekalian yang telah membantu, sehingga makalah ini terselesaikan dalam waktu yang
telah ditentukan. Kami menyadari sekali bahwa didalam penyusunan makalah ini masih jauh
dari kesempurnaan serta banyak kekurangan-kekurangannya baik dari segi tata bahasa
maupun dalam hal aspek yang dibahas.
Harapan yang paling besar dari penyusun makalah ini ialah, mudah-mudahan apa
yang kami susun ini penuh manfaat, baik untuk pribadi, teman-teman, serta orang lain.
Sebelumnya kami mohon maaf apabila terdapat kesalahan kata-kata yang kurang berkenan
dan kami memohon kritik dan saran yang membangun demi perbaikan masa depan.
Wassalamualaikum Wr. Wb
DAFTAR ISI
HALAMAN SAMPUL
KATA PENGANTAR
DAFTAR ISI
BAB I PENDAHULUAN
A. Latar Belakang
B. Rumusan Masalah
C. Tujuan Masalah
BAB II PEMBAHASAN
A. Pengertian estimasi/penaksiran permintaan
B. Metode yang digunakan dalam penaksiran permintaan
C. Analisis Regresi Permintaan
D. Masalah-masalah dalam Analisis Regresi
BAB III PENUTUP
A. Kesimpulan
DAFTAR PUSTAKA
BAB I
PENDAHULUAN
A. Latar Belakang
Dalam makalah ini membahas tentang metode-metode yang digunakan untuk
mendapatkan data permintaan bagi pengambilan keputusan dalam dunia nyata. Tentu saja
harapannya adalah bahwa nilai informasi yang dapat seharusnya lebih besar dibandingnya
dengan biaya yang digunakan untuk mendapatkan informasi tersebut.
Sebelum membahas persoalan diatas lebih jauh, terlebih dahulu kita bedakan pengertian
antara penapsiran (estimation) dan prakiraan (forecasting) permintaan. Penaksiran permintaan
merupakan proses untuk menemukan nilai dari koefisien-koefisien fungsi permintaan akan
suatu produk pada masa kini (curen values). Sedangkan prakiraan permintaan merupakan
proses menemukan nilai-nilai permintaan pada periode waktu yang akan datang (future
values).
Nilai-nilai masa kini dibutuhkan untuk mengevaluasi optimalitas penentuan harga
sekarang dan kebijaksanaan promosi dan untuk membuat keputusan sehari-hari. Nilai-nilai
untuk waktu yang akan datang diperlukan untuk perencanaan produksi, pengembangan
produk baru, investasi, dan keadaan-keadaan lain dimana keputusan yang harus dibuat
mempunyai dampak pada periode waktu yang panjang.
B. Rumusan Masalah
C. Tujuan Masalah
Agar hasil analisis ini bersifat mendalam kita harus membubuhinya dengan analisis
kuantitatif. Analisis kuantitatif yang sering digunakan adalah analisis Regresi. Metode
Regresi adalah metode statistik untuk mencari besarnya pengaruh variabel bebas terhadap
variabel terikat.variabel bebas antara lain: harga barang tersebut dan barang lain; pendapatan
konsumen; selera konsumen dan lain –lain. Varibel terikatnya adalah permintaan atas barang/
jasa itu sendiri. Analisis Regresi ini terdapata dua macam yaitu: analisi regresi sederhana dan
berganda.
C. 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 mencari 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).
Metode yang sering digunakan adalah metode ARIMA Box-Jenkins yang digunakan
untuk mengolah runtun waktu yang univariat dan metode analisis fungsi transfer digunakan
untuk mengolah data runtun waktu multivariat. Untuk dapat diolah dengan menggunakan
metode ARIMA Box-Jenkins, suatu data runtun waktu harus memenuhi syarat stasioneritas.
Stasioneritas berarti bahwa tidak terjadi pertumbuhan dan penurunan data. Untuk
mendeteksi ketidakstasioneran data dalam mean dapat digunakan plot time series, plot fungsi
autokorelasi (ACF) dan plot fungsi autokorelasi parsial (PACF). Jika data mengandung
komponen trend, maka plot ACF/PACF akan meluruh secara perlahan dan data tidak
stasioner dalam mean. Untuk mendeteksi ketidakstasioneran dalam varian dapat digunakan
plot ACF/PACF dari residual kuadrat.
Sebuah proses tidak stasioner dalam mean merupakan masalah yang sangat serius
pada analisis data runtun waktu. Ketidakstasioneran dalam mean dapat distasionerkan dengan
melakukan differensi derajat d. Untuk mendapatkan kestasioneran dapat dibuat deret baru
yang terdiri dari differensi antara periode yang berurutan :
Selanjutnya cek plot ACF dan PACF-nya.
Salah satu model yang dapat digunakan untuk peramalan (forecasting) data runtun
waktu adalah model Autoregressive Integrated Moving Average (ARIMA). Model
Autoregressive Integrated Moving Average (ARIMA) merupakan model ARMA
nonstasioner yang telah didifferencing sehingga menjadi model stasioner. Bentuk umum
model ARIMA adalah :
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.
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. Autokorelasi atau serialkorelasi
Autokorelasi adalah masalah lain yang timbul bila kesalahan tidak sesuai dengan
batasan yang diisyaratkan oleh analisis regresi. Autokorelasi 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. Autokorelasi dapat ditemukan secara visual
melalui grafik time series residuals atau uji statistik “Durbin waston”.
Autokorelasi 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.
BAB III
PENUTUP
A. Kesimpulan
1. Penaksiran (estimasi) permintaan merupakan kegiatan memperkirakan jumlah permintaan
konsumen terhadap barang atau jasa dimasa yang akan datang berdasarkan data atau keadaan
masa lalu dan saat ini.
2. Metode yang sering digunakan dalam penaksiran permintaan yaitu: customer survey, metode
observasi, metode market experiment.
3. 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 mencari nilai dari koefisien-koefisien tersebut menunjukkan pengaruh dari
variabel yang menentukan permintaan sebuah produk.
4. Ada enam masalah utama yang harus diperhatikan dalam analisis regresi, yaitu: kesalahan
spesifikasi, keselahan pengukuran, hubungan persamaan simultan,multikilinietas,
heteroskedastisitas, dan otokorelasi atau serialkorelasi.