 Estimasi (Penaksiran) Permintaan adalah proses menemukan nilai-nilai

koefisien (parameter) dari fungsi permintaan masa kini (current values)

terhadap suatu produk. Dimana fungsi permintaan adalah fungsi dari
variabel-variabel harga, iklan, pendapatan konsumen, trend, dan variabel-
variabel lain yang mempengaruhi tingkat permintaan.

Q = a + b1P + b2A + b3Y + b4T + .... + bnN

 Dari persamaan di atas, estimasi permintaan mencoba mencari nilai koefisien

b1, b2, b3, b4, ..., bn yang merupakan nilai koefisien atau parameter pengaruh
dari masing-masing variabel terhadap jumlah yang diminta konsumen.
Koefisien ini menjadi kunci bagi pembuatan keputusan manajerial.
Terdapat beragam cara estimasi permintaan yang dapat kita kelompokkan ke
dalam dua metode:
1.Metode Langsung
Metode menaksir permintaan dengan melibatkan langsung konsumen
melalui wawancara dan survei, pasar simulasi atau eksperimen pasar
terkendali.
2.Metode Tidak Langsung
Metode menaksir permintaan dengan menggunakan data-data sekunder yang
telah dikumpulkan dan kemudian dilakukan upaya menemukan hubungan
statistik antara variabel dependent dan variabel independent. Salah satu
teknik yang sering digunakan untuk estimasi demand dengan metode tak
langsung adalah Teknik Analisa Regresi (Sederhana dan Berganda).
1. Metode Wawancara dan Survei
Dilakukan dengan mewawancarai para pembeli potensial untuk mengetahui
berapa yang
akan mereka beli jika suatu variabel yang mempengaruhi permintaan diubah.
Cth: Berapa banyak ”permen merek Kiss” yang dibeli seorang konsumen bila:
 Harga naik 10%
 Iklan dilakukan setiap hari pada prime-time.
 Pendapatan konsumen meningkat 10%.
Pendekatan ini mungkin mudah dilakukan, namun terdapat beberapa
kelemahan:
Masalah representasi responden terhadap seluruh populasi.
 Interview bias: adanya faktor leading dalam usaha probing.
 Akurasi jawaban dan kesenjangan antara intensi (dalam jawaban) dengan
realitas aksi
 pembelian.
 Salah tafsir responden atas pertanyaan yang dapat menimbulkan jawaban
yang salah.
2. Metode Pasar Simulasi
Respons konsumen terhadap perubahan suatu variabel (misalnya harga) juga dapat
dilakukan dengan menggunakan pasar simulasi untuk mengamati perilaku
partisipan dalam pasar yang disimulasikan serupa dengan pasar sesungguhnya.
Partisipan diberikan uang (atau voucher) yang dapat dipergunakan untuk berbelanja
dengan uang tersebut di suatu pasar simulasi. Partisipan dipilih seksama untuk
dapat mewakili target pasar produk tersebut.
Namun, metode ini juga memiliki kelemahan:
 Kemungkinan cara membelanjakan uang pemberian akan berbeda dengan
membelanjakan uang sendiri.
 Bila partisipan tahu bahwa ia diamati, mungkin ia akan berpretensi.
 Biaya mahal, sehingga sampel pun sedikit, sehingga terdapat bahaya sampel yang
tidak representatif.
Cth: Perusahaan kopi ON TERUS ingin mengetahui respon konsumen terhadap harga
dan melakukan eksperimen pasar simulasi. Ada 6 kelompok yang dipilih, masing-
masing terdiri dari 100 pembelanja yang diorganisir. Setiap sore, setiap kelompok
dapat berbelanja di toko tiruan yang khusus menjual kopi selama 30 menit dimana
setiap partisipan diberikan voucher Rp 100.000. Kopi ON TERUS dipamerkan
secara mencolok berdampingan dengan beberapa merek kopi. Untuk setiap
kelompok, ditetapkan harga kopi ON TERUS yang berbeda-beda sedangkan semua
produk lain harganya tetap.
3. Metode Eksperimen Pasar Langsung
Respons konsumen terhadap perubahan suatu variabel (misalnya harga) juga
dapat dilakukan dengan melakukan eksperimen di pasar yang
sesungguhnya untuk mengamati perilaku partisipandalam beberapa
sampel pasar yang dianggap mewakili perilaku target market. Dalam pasar
yang terpilih sebagai sampel itu, beberapa variabel yang mempengaruhi
pembelian dikendalikan oleh peneliti untuk mengetahui dampaknya
terhadap permintaan konsumen.
 Namun, metode ini juga memiliki kelemahan:
 Relatif sulit untuk mengendalikan sampel dan variabel di pasar.
 Biaya mahal, sehingga sampel pun sedikit, sehingga terdapat bahaya
sampel yang tidak representatif.

Contoh Kasus Metode Langsung (Survei):

Perusahaan “ SEPATU MULTI WARNA ” (SMW) ingin memperkenalkan
bakiak di pasar Jakarta. Staf R&D membuat survei dengan responden 1000
orang. Responden diminta memilih satu dari enam jawaban keinginan
membeli SMW pada 5 kemungkinan harga.
Contoh Kuesioner Pasar Langsung
 Ringkasan Jawaban Responden, n = 1000

 Masing-masing kategori jawaban itu kemudian diberikan bobot:

 Pasti tidak membeli = 0 % pasti akan membeli
 Hampir pasti tidak membeli = 20 % pasti akan membeli
 Mungkin tidak membeli = 40 % pasti akan membeli
 Mungkin akan membeli = 60 % pasti akan membeli
 Hampir pasti akan membeli = 80 % pasti akan membeli
 Pasti akan membeli = 100 % pasti akan membeli
 Maka ekspektasi permintaan untuk masing-masing kategori jawaban dapat
diperoleh dengan mengalikan jumlah jawaban dengan bobot kepastian akan
membeli untuk masingmasing jawaban

Tabel Ekspektasi permintaan SMW

 Gambar Proyeksi Kurva Permintaan SMW
 Analisis regresi dapat digunakan untuk menemukan derajat ketergantungan
satu atau lebih variabel terhadap variabel lainnya (misalnya variabel harga dll
terhadap variabel permintaanatas pertanyaan yang dapat menimbulkan
jawaban yang salah.
1. Analisis Runtut Waktu dan Analisis Seksi Silang
Dalam analisis ini dapat digunakan pada data runtut waktu (time series) atau
data seksi silang (cross-sectional).
a. Analisis Runtut Waktu
Observasi telah dicatat selama kurun waktu tertentu pada situasi yang serupa.
Misalnya, data harga dan penjualan bulanan suatu produk perusahaan
tertentu di suatu kota selama 12 bulan
 Masalahnya, beberapa faktor berada di luar kendali perusahaan dapat
mempengaruhi penjualan, dan cenderung berubah dalam kurun waktu
tersebut, sehingga ada kemungkinan bahwa harga bukanlah faktor tunggal
yang mempengaruhi perubahan penjualan. Jika variabel-variabel non harga
tersebut dapat diobservasi dan diukur, variabel-variabel itu dapat kita
masukkan sebagai variabel bebas dalam analisis regresi.
 Namun, variabel seperti Perubahan mode dan perilaku konsumen yang
berubah sepanjang waktu, sangat sulit diukur dan diamati secara kuantitatif.
Variabel ini dapat digolongkan sebagai variabel waktu yang berperan sebagai
variabel bebas dalam analisis regresi.
b. Analisis Seksi Silang
Data yang digunakan berasal dari unit-unit observasi (misalnya outlet-outlet)
yang berbeda dalam lingkungan bisnis yang sama pada skala waktu yang sama.
Masalahnya, faktorfaktor tertentu mungkin berperan berbeda di antara unit-
unit observasi yang berbeda.
2. Linieritas Persamaan Regresi
 Analisis regresi menuntut bahwa hubungan harus dinyatakan secara linier.
a. Persamaan Regresi Berganda
 Persamaan regresi berganda (multiple linear regression) menunjukkan
hubungan antara variable variabel bebas X1, X2, X3, ...., Xn dengan variabel
terikat Y.
 Bila Y = f (X1, X2, X3, ...., Xn)
 Maka X1
 Notasi umum persamaan regresi adalah sebagai berikut:

Dimana
 Y adalah variabel yang dipengaruhi (variabel terikat)
 X1, X2, X3 , X4, ...., Xn adalah variabel pengaruh (variabel bebas)
 b1, b2, b3, b4, ...., bN adalah parameter variabel pengaruh yang menunjukkan
besar pengaruh variabel bebas terhadap variabel terikat
 e adalah nilai kesalahan (residu) yang timbul karena perbedaan antara nilai
aktual observasi dengan nilai taksiran persamaan regresi.
 a adalah koefisien konstanta, menunjukkan berapa jumlah variabel terikat bila
tidak ada pengaruh dari variabel bebas.
 b. Persamaan Regresi Sederhana
 Persamaan regresi sederhana (simple linear regression) menunjukkan
hubungan antara satu saja variabel bebas X 1 dengan variabel terikat Y.
 Regresi sederhana ini dapat digunakan hanya jika pengaruh variabel bebas
lainnya diasumsikan tidak terlalu signifikan.
 Bila Y = f (X1)
 Maka X1 Y
 Notasi umum persamaan regresi adalah sebagai berikut:

Dimana
 Ŷ adalah variabel yang dipengaruhi (variabel terikat)
 X adalah variabel pengaruh (variabel bebas)
 a adalah konstanta
 b adalah besar koefisien parameter variabel bebas.
 e adalah residu (kesalahan hitung)
3. Penaksiran Parameter Regresi Sederhana
 untuk mencari nilai parameter a dan b dalam persamaan regresi, digunakan
metode kuadrat terkecil (least square method), yakni metode yang
meminimalkan jarak dari nilai yang dihasilkan oleh persamaan regresi (nilai
Y) dengan nilai empiris (Y1).
 Metode kuadrat terkecil adalah proses matematis yang menentukan intercept
dan slope garis yang paling tepat yang menghasilkan jumlah kuadrat deviasi
(atau simpangan) yang paling minimum.
 Nilai a (konstanta) diperoleh dari rumus:

Nilai parameter variabel X, yakni nilai b (beta),

diperoleh dari rumus:
 Contohnya:
 Least square method yang digunakan dalam persamaan regresi menghasilkan
persamaan hubungan antara iklan dan permintaan
Q = 19.882 + 4,17A.
 Misalkan untuk X1 menghasilkan nilai estimasi Y. Nilai estimasi Y ini
merupakan nilai yang residual (e= Y1 - Y) terkecil bila dikuadratkan.

Estimasi Permintaan berdasarkan Metode Kuadrat Terkecil

3. Elastisitas Harga Permintaan
 Elastisitas Harga Permintaan dapat ditaksir berdasarkan slope kurva
permintaan
(slope = b = δQ/ δP)
 Rumus Elastisitas Titik Harga Permintaan:

4. Koefisien Determinasi dan Koefisien Korelasi

 Koefisien Determinasi (R2)

adalah angka yang menunjukkan proporsi variabel terikat yang dijelaskan oleh
variasi variabel bebas. Ini artinya: seberapa jauh kesesuaian persamaan regresi
tersebut dengan data.

 R2= 0,80 menunjukkan bahwa perubahan-perubahan variabel bebas dapat

menyebabkan (menentukan/determine) 80% perubahan variabel terikat.
 Koefisien determinasi juga menunjukkan pancaran data dengan deviasi
terhadap garis regresi. Bila R2 rendah, maka data terpancar luas dengan deviasi
yang lebar dari data-data terhadap garis regresi. Gambar 6.4. menunjukkan
variasi yang diterangkan dan yang tidak diterangkan dari Variabel Dependen
dalam sebuah model regresi.

Gambar Variasi yang Diterangkan dan yang tidak Diterangkan dari Variabel
Dependen dalam suatu Model Regresi
 Koefisien Korelasi Pearson (R)
adalah ukuran kekuatan hubungan linear antara 2 variabel dalam sampel.
R = vR2 = akar kuadrat dari koefisien determinasi
Dimana bila: Harga mutlak dari koefisien korelasi = |R|=

|R| = 0,00 – 0,20; hubungan sangat lemah

|R| = 0,21 – 0,40; hubungan lemah
|R| = 0,41 – 0,60; hubungan sedang
|R|= 0,61 – 0,80; hubungan kuat
|R| = 0,81 – 1,00; hubungan sangat kuat
Gambar Interpretasi Praktis Koefisien Korelasi
5. Kesalahan Baku Penaksiran (Standard Error of Estimate (Se))
 Untuk menilai derajat keyakinan prediksi, digunakan kesalahan baku
penaksiran (Standard Error of Estimate), yakni ukuran penyebaran
(dispersi) dari garis yang paling tepat.
 Dengan Se, dapat dihitung interval keyakinan untuk tingkat-tingkat
keyakinan yang berbeda.

 Interval keyakinan adalah kisaran nilai dimana observasi aktual

diharapkan berada pada persentase tertentu
 Gambar Makna Nilai Kesalahan Baku Penafsiran

 Dengan menganggap bahwa deviasi terdistribusi normal di sekitar garis yang tepat:
 68% probabilitas bahwa observasi aktual variabel terikat akan berada pada kisaran + 1
kesalahan baku penaksiran.
 95% probabilitas bahwa observasi aktual variabel terikat akan berada pada kisaran + 2
kesalahan baku penaksiran.
 99% probabilitas bahwa observasi aktual variabel terikat akan berada pada kisaran + 3
kesalahan baku penaksiran.
 Dengan menggunakan rumus Se, kita juga bisa mengetahui batas atas dan batas
bawah interval keyakinan.
 Batas atas interval keyakinan 68% adalah Y + Se
 Batas bawah interval keyakinan 68% adalah Y – Se
 Batas atas interval keyakinan 95% adalah Y + 2 Se
 Batas bawah interval keyakinan 95% adalah Y – 2 Se
 Batas atas interval keyakinan 99% adalah Y + 3 Se
 Batas bawah interval keyakinan 99% adalah Y – 3 Se

Gambar Ilustrasi Penggunaan Kesalahan Standar dari Penaksiran untuk

Mendefinisikan Interval Keyakinan
 Estimasi permintaan tidaklah sama artinya dengan peramalan permintaan.
Estimasi permintaan pasar ditujukan untuk menentukan nilai sekarang dari
koefesien pada fungsi permintaan pasar.
Sementara peramalan permintaan pasar ditujukan untuk mendapatkan nilai-nilai
permintaan pasar di waktu yang akan datang.
 Peramalan atau forecasting yaitu suatu teknik analisa perhitungan yang
dilakukan dengan pendekatan kualitatif ataupun keuantitatif untuk melakukan
perkiraan peristiwa pada masa depan dengan penggunaan referensi data-data
pada masa lalu.

Tujuan Peramalan (Forecasting)

Menurut Heizer dan Render (2009:47), peramalan (forecasting) mempunyai
tujuan antara lain:
• Sebagai pengkaji kebijakan perusahaan yang berlaku disaat ini dan dimasa lalu
dan juga melihat sejauh mana pengaruh dimasa datang.
• Peramalan dibutuhkan karena terdapat time lag atau delay antara ketika suatu
kebijakan perusahaan ditetapkan dengan ketika implementasi
• Peramalan adalah dasar penyusutan bisnis di suatu perusahaan sehinga bisa
meningkatkan efektivitas sebuah rencana bisnis.
 Fungsi Peramalan (Forecasting)
Fungsi dari peramaalan akan diketahui ketika pengambilan keputusan.
Keputusan yang baik adalah keputusan yang berdasarkan atas
pertimbangan apa yang akan terjadi di waktu keputusan tersebut
dijalankan. Jika kurang tepat ramalan yang sudah disusun, maka masalah
peramalan juga merupakan masalah yang sering dihadapi (Gingting,
2007)

Manfaat Peramalan (Forecasting)

Kegunaan atau manfaat dari peramalan adalah sebagai berikut:
 Sebagai alat bantu untuk merencanakan yang efektif dan efisien
 Untuk menetapkan kebutuhan sumber daya pada masa yang akan
datang
 Untuk membuat keputusan yang tepat
Metode Peramalan (Forecasting)
Metode peramalan ialah suatu cara mengestimasi atau
memperkirakan dengan kuantitatif ataupun kualitatif apa yang
terjadi di masa depan menurut data yang relevan di masa lalu.
Penggunaan metode peramalan ini yaitu untuk memprediksi
dengan sistematis dan pragmatis atas dasar data yang relevan di
masa lalu. Dengan demikian metode peramalan bisa memberikan
objektivitas yang lebih besar.

Jenis metode peramalan, antara lain :

 Metode peramalan yang berdasar pada pemakaian analisa keterkaitan

antar variabel yang diperkirakan dengan variabel waktu dengan deret
berkala (time series).

 Metode peramalan yang berdasar pada pemakaian analisis pola

hubungan antar variabel yang hendak diperkirakan dengan variabel lain
yang menjadi pengaruh, yang bukan waktu disebut Metode Korelasi atau
sebab akibat (metode causal).
TERIMA
KASIH