7. PENAKSIRAN dan PERAMALAN BIAYA

Presentasi berjudul: "7. PENAKSIRAN dan PERAMALAN BIAYA"— Transcript presentasi:

1 7. PENAKSIRAN dan PERAMALAN BIAYA

2 Bab ini membahas proses penaksiran dan peramalan biaya yang telah disebut di atas dan terdiri dari tiga bagian pokok, yakni: penaksiran biaya jangka pendek, penaksiran biaya jangka panjang, dan peramalan biaya. Dalam pembahasan peramalan biaya, kita akan mengamati fenomena kurva learning (learning curve). Kurva ini menun-jukkan penurunan biaya per unit jika volume produksi kumulatif meningkat terus yang disebabkan oleh perbaikan produktivitas input variabel karena manajemen telah "mempelajari" proses produksi dengan lebih baik.

3 PENAKSIRAN BIAYA JANGKA PENDEK
Dalam jangka pendek kita dihadapkan, terutama sekali pada perilaku biaya variabel. Penaksiran biaya jangka pendek ini dapat dilakukan dengan 3 metoda yaitu : 1. Metoda ekstrapolasi sederhana, 2. Analisis gradien, dan 3. Analisis regresi.

4 1. Metoda ekstrapolasi sederhana
Ekstrapolasi berarti menghubungkan nilai-nilai dengan titik-titik di luar kisaran yang ditunjukkan oleh data dasar yang kita miliki, dengan cara memproyeksikannya berdasarkan pola hubungan yang tampak dalam data dasar tersebut. Metoda penaksiran biaya yang paling sederhana ialah dengan cara mengekstrapolasikan tingkat MC atau AVC saat ini (ke belakang atau ke depan) pada tingkat-tingkat output lainnya. Perusahaan-perusahaan seringkali menganggap bahwa MC atau AVC mereka adalah konstan pada kisaran tingkat output tertentu yang berdekatan dengan tingkat output yang dicapai sekarang. Anggapan ini mengandung arti bahwa input-input variabel menghasilkan penerimaan yang konstan (constant returns) , dan oleh karena itu tidak ada keadaan increasing returns atau diminishing returns dalam proses produksi jangka pendek. Jika keadaan efisiensi yang konstan ini benar-benar terjadi di dalam proses produksi, maka metoda ekstrapolasi sederhana merupakan metoda yang cukup tepat untuk menaksir biaya.

5 Tetapi jika MC kenyataannya meningkat dengan adanya Q , maka metoda tersebut akan menghasilkan keputusan yang salah. Kesalahan umum dalam dunia bisnis adalah pengasum-sian bahwa MC adalah konstan, sehingga keadaan diminishing returns dari input-input variabel tidak pernah terjadi. Padahal, secara intuitif, cepat atau lambat, keadaan diminishing returns tersebut akan terjadi sehingga pembuat keputusan harus secara terus-menerus memperhatikan kemungkinan terjadinya keadaan tersebut. Jika kita hanya memiliki satu observasi data biaya/output (yaitu pada tingkat sekarang), maka antisipasi bagi terjadinya keadaan diminishing returns ini harus dibuat atas dasar pertimbangan naluriah (judgement), pengalaman atau intuisi.

6 Misalnya,pembuat keputusan menganggap bahwa kemungki-nan yang paling masuk akal adalah bahwa MC cenderung meningkat sebesar 2 % untuk setiap 1 % Q. Dengan demikian jelas bahwa dengan hanya memiliki satu observasi data biaya/output, asumsi seperti itu mengandung risiko besar, karena kemungkinan kelirunya sangat besar. Sebaliknya, pembuat keputusan mungkin juga beranggapan bahwa MC cenderung menurun jika output meningkat, atau MC tidak mungkin naik atau turun, sehingga penaksiran terbaik adalah mengasumsikannya bahwa kalau MC itu konstan. Mungkin pendekatan terbaik untuk memecahkan masalah tersebut adalah dengan mengasumsikan bahwa MC konstan untuk tujuan ekstrapolasi dan kemudian meneliti sensitivitas (elasticity cost) dari keputusan yang dibuat berdasarkan asumsi tersebut.

7 Sebagai contoh: Perusahaan pakaian jadi PT GITA PRATIWI memperoleh peluang untuk menjual 500 lusin pakaian dalarn kepada para pembeli sebuah toko dengan diskon tertentu. PT GP tsb. menetapkan AR/P Rp 7000./lusin, Tiba-tiba ada perubahan mendadak dalam PT GP tsb. dan manajer produksi yang baru sangat terkejut karena tidak ada-nya data tingkat produk atau biaya pakaian dalam tsb, sehingga manajer tsb.tidak dapat memperkirakan berapa besar biaya inkremental yang terjadi. Dengan bekerja cepat, manajer akhirnya mengetahui bahwa untuk minggu sekarang, tingkat produksi sebanyak lusin dengan TVC = Rp ,-. Berarti AVC adalah Rp 6000,- pada tingkat output tsb. Tingkat output yang direncanakan untuk beberapa minggu berikutnya juga sebanyak lusin, sehingga untuk memenu-hi pesanan toko tersebut tingkat output harus ditingkatkan menjadi per minggu yang masih dalarn jangkauan kapasitas pabrik.

8 Tanpa informasi lainnya, manajer produksi tersebut tidak mempunyai pilihan lain kecuali mengekstrapolasikan data tunggal yang dimilikinya tersebut. Gambar berikut di bawah menggambarkan kurva TVC, AVC dan MC yang diperoleh berdasarkan ekstrapolasi dari kurva-kurva tersebut, dengan menganggap MC konstan pada kisaran output lusin. Jika tidak ada perubahan biaya lainnya sebagai akibat dari adanya keputusan untuk memenuhi pesanan toko itu, kita dapat memperkirakan bahwa biaya inkremental adalah sebesar Rp untuk memproduksi 500 lusin pakaian dalam tambahan tersebut dan penerimaan inkremental menjadi Rp Jadi kontribusi dari keputusan ini diharapkan positif sebesar Rp500 ribu dan manajer produksi tersebut akan memenuhi pesanan ini.

9 Penerimaan Inkremntal (tambahan) = 500 lusin x Rp 7000 = Rp 3.500.000
Jumlah produksi = 7000 lusin TVC sebesar Rp ,- AVC = Rp : 7000 lusin = Rp 6.000 Tingkat Otuput mingu-minggu berikutnya direncanakan 7000 lusin/ minggu Untuk memenuhi pesanan toko , tingkat output harus 7500 lusin/minggu Tanpa informasi yang lengkap maka peusahaan mengekstrapolasi TVC, AVC dan MC pada kisaran output 7000 – 7500 lusin Perusahaan dapat memperkirakan Biaya Inkremental PD sebesar , 500 x Rp 6000 = Rp Rp Berarti manajer PT. GP akan memenuhi pesanan tsb.

10 Ektrapolasi berdasarkan MC yang konstan
TVC 45 42  , 8 - 7- 6- 5- 4- 3- 2- 1- Ektrapolasi berdasarkan MC yang konstan TVC = Q Output (ribu lusin) P MC,AVC Output (ribu lusin)

11 Seberapa jauh keputusan ini sensitif terhadap asumsi MC yang konstan yang mendasarinya?
Jika kenaikan TVC tidak konstan, misalnya dengan tingkat yang semakin besar (increasing rate) untuk 500 lusin produk tambah-an tersebut, berapa besar kenaikan TVC tersebut sebelum keputusan dibatalkan? Jawabannya adalah Rp , pada titik di mana tidak ada kontribusi dari keputusan ini, sehingga pesanan tersebut tidak perlu dipenuhi. Kenaikan TVC sebesar Rp tersebut, akan meningkatkan TVC menjadi Rp dan ini berarti AVC pun akan meningkat menjadi Rp atau sedikit lebih tinggi daripada AVC pada tingkat output sebelumnya. Jadi keputusan ini sangat sensitif terhadap asumsi biaya marginal yang konstan tersebut. Oleh karena itu kita cenderung untuk mengusulkan kepada PT GITA PRATIWI agar tidak memenuhi pesanan tambahan itu, jika perusahaan itu tidak yakin bahwa TVC meningkat dengan tingkat yang konstan (atau menurun).

12 Oleh karena tingkat output selalu berfluktuasi dari waktu ke waktu, maka kita harus mampu menemukan dua observasi data biaya/output atau lebih. Dan dengan dua observasi atau lebih kita dapat melakukan analisis gradien.

13 2. Analisis Gradien Gradien kurva TC diartikan sebagai tingkat perubahan TC pada interval output tertentu. Gradien berarti slope dan gradien dari TC ini dapat dihitung dengan cara membagi perubahan TC dengan perubahan tingkat output, seperti tampak dalam persamaan berikut ini: Gradien TC atau Gradien TVC tidak sama persis dengan MC, karena MC menunjukkan perubahan TC yang hanya diakibat-kan oleh perubahan satu unit output. Padahal dalam praktek, output cenderung berubah dengan loncatan yang tidak teratur sehingga kita harus menghitung gradien tersebut dengan interval-interval yang lebih besar dari satu unit. Gradien ini menghasilkan penaksir MC pada suatu kisaran tingkat output tertentu, seperti yang akan kita lihat berikut ini.

14 Misalkan PT GITA PRATIWI, dalam contoh di atas, menerima pesanan untuk memproduksi 500 lusin tambahan itu. Perhatikan bahwa TVC untuk memproduksi lusin adalah Rp (dari 6500x7500). Dengan demikian, gradien TVC dapat dihitung dengan cara berikut: Jadi perubahan TVC pada interval output lusin adalah Rp per unit. Ini adalah nilai MC pada kisaran output tersebut. Pada Gambar 9.2 ditunjukkan penaksir terbaik dari kurva TVC, AVC dan MC yang didasarkan pada observasi terhadap titik data kedua.

15 48.75 – 42.00 – TVC Output (000 lusin) ,5 8 14.00 – 13,50 – P AVC Output(000 lusin) 7 7,5 8 MC

16 Titik MC yang ditunjukkan pada Gambar 9
Titik MC yang ditunjukkan pada Gambar 9.2 diletakkan di tengah interval output yang dihitung, karena gradien tersebut merupakan penaksir titik tunggal (single point estimate) dari tingkat perubahan TC pada kisaran tingkat output diskrit. Ini merupakan tingkat perubahan rata-rata pada interval output tersebut atau merupakan penaksir MC rata-rata pada kisaran tersebut dan karenanya digambarkan di tengah kisaran tersebut.

17 Analisis Gradien dengan Beberapa Observasi
Jika kita memiliki data observasi yang lebih banyak, maka hasil penaksiran kurva TVC, AVC dan MC akan menjadi lebih tepat. Kembali pada contoh PT GITA PRATIWI di atas. Manajemen baru perusahaan tersebut meskipun merencanakan tingkat produksi sebanyak lusin per minggu untuk beberapa minggu berikutnya - menemukan masalah yakni banyak karyawan yang membolos, dengan tingkat pembolosan berkisar antara 10 % sampai 25 % selama tiga minggu berikutnya. Akibatnya adalah tingkat output per minggu yang dihasilkan lebih sedikit dari tingkat output yang direncanakan dan TVC juga mengalami penurunan, karena tenaga kerja yang absen tersebut tidak digaji, dan pembelian bahan mentah serta penggunaan energi listrik juga menjadi lebih sedikit.

18 Tabel 9.1 Observasi-observasi Biaya-Output dan Perhitungan AVC dan MC
Gambaran TVC dan output yang dikumpulkan selama lima ming-gu pertama ditunjukkan pada Tabel 9.1 dan Gambar 9.3. Perhatikan bahwa tingkat output tsb. disusun secara menaik , tanpa memperhatikan kronologi produksi - dengan maksud untuk mempermudah perhitungan gradien pada setiap interval output. Tabel 9.1 Observasi-observasi Biaya-Output dan Perhitungan AVC dan MC Metode Produksi Output (lusin) TVC (Rp) AVC TVC Q MC Minggu 4 Minggu 3 Minggu 5 Minggu 1 Minggu 2 4.500 6.000 6.500 7.000 7.500 ,- ,- ,- ,- ,- 6.000,- 5.600,- 5.750,- 6500,- ,- ,- ,- 6, ,- 1.500 500 4.400,- 7.550,- 9.250,- 13.500,-

19 Kolom 4 (AVC) pada Tabel 9. 1 tersebut diperoleh dari TVC/Q
Kolom 4 (AVC) pada Tabel 9.1 tersebut diperoleh dari TVC/Q. Tiga kolom terakhir menunjukkan perhitungan gradien (dan ka-rena itu, MC yang ditaksir berada di titik tengah setiap interval). Apabila titik-titik ini dilukiskan secara grafis seperti tampak pada Gambar 9.3, maka kita akan dapat melakukan interpolasi antara tiap pasangan titik yang berdekatan sehingga menunjukkan penaksir kurva TVC, AVC dan MC yang terbaik. Perhatikan bahwa interpolasi antara nilai-nilai gradien untuk menemukan kurva MC tersebut menunjukkan bahwa titik minimum dari kurva AVC terletak sedikit di bawah lusin, karena kurva MC memotong kurva AVC pada titik minimum kurva AVC tersebut.

20 . 50 - 45 - 40 - 35 - 30 - 25 - 20 - 15 - 10 - 5 - TVC Output (000 lusin) . . 16 - 14 - 12 - 10 – 8 - 6 - 4 - 2 - Output (000 lusin) AVC MC P . . . .

21 Jadi, dengan observasi beberapa pasang data biaya-output yang lebih banyak akan memungkinkan kita untuk memper-oleh kurva AVC dan MC penaksir yang jauh lebih sempurna. Tiap titik data tambahan akan memperjelas bentuk TVC, sehingga perhitungan AVC dan MC yang lebih bisa dipercaya dapat diperoleh.

22  3. Analisis Regresi dengan Data Time Series
Meregresi hubungan biaya dan output, sehingga diperoleh suatu penaksir MC.  Jika Data Biaya-output kita lebih banyak, Data time series kadang-kadang menimbulkan masalah Beberapa faktor mengalami perubahan : + Harga +Teknologi + efisiensi Hasil analisis kurang dapat dipercaya Untuk menghindari masalah ini, - data biaya harus dideflasi dengan sebuah indek yang tepat - unsur waktu harus dimasukkan sebagai variabel bebas dalam persamaan regresi yang akan kita estimasi.

23 Terhadap measurement error
Analisis regresi (dengan data time series) sangat peka Terhadap measurement error Data biaya harus mencakup semua biaya, apakah telah dibayar atau belum. Biaya pemeliharaan ,misalnya, diperkirakan berubah-ubah sesuai dengan tingkat output, tetapi biaya tersebut dapat ditunda sampai saat yang lebih tepat untuk menutupnya pada bagian tertentu dari mesin atau fasilitas lain untuk tujuan pemeliharaan. Karena itu biaya yang timbul pada awal periode tidak dicatat sampai periode berikutnya dan sehingga hal itu cenderung untuk menunjukkan bahwa tingkat biaya awal lebih rendah dan tingkat biaya pada periode berikutnya lebih tinggi. Idealnya, observasi biaya-output harus mencakup fluktuasi output selama periode waktu yang singkat dan tanpa masalah matcing biaya-output

24 Misalkan output dan TVC mingguan dari perusahann VGP (GITA PRATIWI) telah dicatat selama tiga bulan, seperti ditunjukkan pada Tabel . Outputnya bervariasi dari minggu ke minggu karena pasokan bahan-bahan baku yang sulit diramalkan Dari data yang ada, tampak bahwa TVC berubah-ubah secara positif mengikuti tingkat output perusahaan tsb. Tetapi bagaimanakah bentuk dari hubungan tersebut ?. Spesifikasi bentuk fungsional mempunyai implikasi penting dalam penaksiran kurva MC . Jika kita membuat spesikasi TVC sebagai fungsi linier, misalnya TVC = a + bQ, maka penaksir MC akan merupakan parameter b, karena MC = turunan fungsi TVC. Pada Gambar 9.4 ditunjukkan kurva AVC dan MC dari suatu kumpulan observasi data tertentu, yang dihasilkan oleh analisis regresi linier. Karena AVC (TVC /Q) ), maka kurva AVC akan turun mendekati kurva MC secara otomatis.

25 Q Gambar 9.4 TVC Fungsi TVC Linier TVC = a + bQ * * * * * * * * * * *
AVC TVC Kisaran Observasi Data TVC = a + bQ MC = b AVC = a/Q + b * * * * * * * * * * * *

26 Alternatif lain untuk observasi data yang sama - misalnya spesifakasi fungsi kuadratik.
TVC = a + bQ + cQ2, maka MC tidak akan menaik dan lurus. Gambar 9.5 menunjukkan hubungan kuadratik tsb., di mana kurva AVC dan MC diilustrasikan pada bagian bawah dari Gambar tsb. Akhirnya jika kita menganggap hubungan fungsional tsb. adalah fungsi kubik, misalnya TVC = a + Q + cQ2 + dQ3, maka MC nonlinier sesuai dengan tingkat output. Gambar 9.6 mengilustrasikan kurva-kurva biaya dari fungsi kubik Alternatif lain seperti power function atau fungsi penggan-daan lainnya dapat pula diterapkan secara tepat.

27 Q AVC TVC Kisaran Observasi Data TVC = a + bQ + cQ2 MC = b + 2cQ
AVC = a/Q + b + cQ * * Gambar 9.5 Fungsi TVC Kuadratik * * * * * * * * * * * *

28 Q AVC, MC TVC Kisaran Observasi Data TVC = a + bQ – cQ2 + dQ3
MC = b – 2cQ + 3dQ2 AVC = a/Q + b – cQ + dQ2 * * * * * * * * * * * Gambar 9.6 Fungsi TVC Kubik

29 Bentuk spesifikasi fungsi biaya yang manakah yang harus kita pilih
Bentuk spesifikasi fungsi biaya yang manakah yang harus kita pilih ?. Karena hasil analisis regresi akan digunakan dalam pembuatan keputusan, maka kita harus yakin betul bahwa kurva MC dan AVC yang dihasilkan benar-benar menunjukkan hubung-an biaya-output yang paling akurat. Dengan menggambarkan data TVC dan Output dalam sebuah grafik, kita akan tahu bahwa satu dari tiga bentuk fungsional di atas merupakan bentuk yang terbaik yang menunjukkan hubungan antara dua variabel itu. Oleh karena itu, dengan yakin kita meneruskan analisis regresi dengan menggunakan bentuk fungsional yang kita pilih tersebut. Jika secara visual tidak nampak adanya suatu bentuk fungsional yang terbaik yang menunjukkan hubungan tersebut secara jelas , maka kita perlu melakukan analisis regresi dengan bentuk fungsi linier dan kemudian dengan satu atau beberapa bentuk fungsional lainnya untuk menemukan persamaan regresi yang paling cocok dengan data dasar kita.

30 dengan SD penaksir = 182,02 , SD regresi = 0,0313, R2 = 0,9761.
Persamaan yang memiliki koefisien determinasi (R2) yang tinngi dipakai sebagai indikator terbaik mengenai hubung-an fungsional aktual antara variabel biaya dan output Sebagai contoh: misaInya dengan menerapkan persamaan regresi linier untuk pasangan biaya-output yang ditunjukkan pada Tabel 9.2, kita mendapatkan hasil output komputer sbb:   TVC = 1.395,29 + 0,6351 Q (9.2) dengan SD penaksir = 182,02 , SD regresi = 0,0313, R2 = 0,9761. Ini berarti bahwa persamaan regresi linier ini mampu menjelaskan 97,61 persen variasi TVC yang diakibatkan variasi tingkat output. Misal kita menaksir TVC pada tingkat output dan 11,000 unit. Maka untuk unit output: TVC = 1.395,29 + 0,6351 (7.000) = 1.395, ,70 = 5.840,99.

31 Dengan menggunakan kesalahan baku penaksir, dengan tingkat keyakinan 68 persen kita yakin bahwa TVC aktual akan berada dalam interval Rp5.840,99 ± Rp182,02 (Rp5.658,97 sampai Rp6.023,01); dan dengan tingkat keyakinan 95 persen kita yakin bahwa TVC berada dalam interval Rp5.840,99 ± 364,04 (Rp5.476,95 sampai Rp6.205,03). Jadi pada tingkat produksi sebanyak 7,000 unit kita memiliki ting-kat keyakinan 99 persen bahwa TVC-nya tidak lebih tinggi daripa-da Rp 6.205,03. Batas keyakinan ini memungkinkan kita Untuk membuat skenario untuk kasus terbaik atau terburuk. Pembuat keputusan yang tidak menyukai risiko tentu saja ingin memperluas Batas keyakinan tsb. sampai kesalahan baku penaksir sebesar plus tiga dengan mak-sud untuk menemukan TVC di bawah tingkat keyakinan 99 persen.

32 Taksiran TVC, untuk unit output akan memberikan hasil dengan cara yang sarna. Akan tetapi hasilnya harus diamati secara hati-hati, karena ini merupakan suatu ekstrapolasi dari data dasar yang kita miliki. Persamaan regresi yang diterapkan pada kisaran output yang diteliti sehingga dapat diterapkan dengan tingkat keyakinan yang tinggi untuk unit output adalah kasus interpolasi. Di luar kisaran observasi-observasi awal tersebut, hubungan an-tara TVC dan Q belum tentu terus bersifat linier tetapi sebaliknya mungkin kurva-linier, karena mungkin terjadi-nya keadaan diminishing returns dari input-input varia-bel. Namun demikian, ekstrapolasi dapat dilakukan jika kita tidak mempunyai alasan yang kuat bahwa hubungan tersebut tidak akan terjadi di luar kisaran observasi.

33 Studi-studi Perilaku Biaya Jangka Pendek
Telah banyak studi yang dilakukan berkenaan dengan fungsi biaya jangka pendok dari perusahaan-perusahaan tertentu. Totapi karya yang paling defnitif dalam bidang ini rnungkin yang disajikan oleh buku yang ditulis oleh Johnston (1960), di mana aspek teoritis dan konseptUal dari pena:(siran biaya diteliti secara terinci dengan menggunakan metoda statistik. Berkenaan dengan penaksiran biaya jangka pendek ini, kesimpulan umum yang ditarik adalah bahwa MC cenderung konstan pada kisaran observasi perusahaan-perusahaan yang diteliti tersebut. Karena itu AVC juga konstan pada tingkat yang sarna (atau secara asimtotis mendekati tingkat tersebut), clan biaya total r,,ita-ratanya (AC) menurun karena menurunnya biaya tetap rata-rata (AFC/. Dengan kata lain, pada kebanyakan kaSUS, fungsi TVC yang linier' adalah bentuk hubungan yang paling cocok bagi obsenlasi­observasi tersebut.

34 Taksiran Kurva LRAC dengan Data Cross Section (Seksi Silang)
Pada beLerapa kasus, di mana fungsi'TVC bersifat kurvi-linier, analisis regresi rnenghasilkan koefisien determinasi yang tinggi. A'mn tetapi umur-nnya persamaan linier sudah cukup rnaMpU menjelaskamiya. Jadi kesimpulan umurn dari studi biaya secara statistic ini adalah bahwa AVC dan MC cenderung konstan pada kisaran output di mana perusahaan tersebut beroperasi. Namun demikian, AVC dan MC yang konstan pada kisaran tingkat output yang diteliti tersebut tidaklah berarti bahwa biaya-biaya tersebut tetap konstan di luar kisaran tersebut. LIMA keputusan-keputusan yang mencakup tingkat output di luar kisaran tersebut, para pembuat keputusan t-iarus memperhitUngkan kemungkinan bahwa ekstrapolasi tingkat biaya per unit merLipakan Cara yang tidak dapat dipercaya karena adanya kernu,-tgkinan timbulnya keadaan diminishing returns dalam proses produksi. Tabel 9.2 Taksiran Kurva LRAC dengan Data Cross Section (Seksi Silang) Pabrik Output (Q) Total Cost (Rp) Average Cost (Rp/Q) 1 2 3 4 5 1.500 3.500 6.150 8.750 11.100 7.350,- 12.600,- 18.143,- 26.688,- 43.290,- 4,90 3,60 2,95 3,05 3,90

35 Terjadinya keadaan diminishing returns pads unit-unit output tambahan hares selalu diarnati dan jika keadaan tersebut cenderung akan terjadi maka biaya inkremental harus selalu diseSLiaikan dengannya. Hasil observasi bahwa MC konstan pads kisaran output yang telah diteliti tersebut tidaklah mengejutkan. Dalam Bab 6, kita telah mengatakan bahwa perusahaan akan membangun ukuran pabriknya yang akan mengha­sill,an biaya produksi rata-rata yang minimum. Pertimbangan tersebut akan rnendorong pembangunan pabrik dengan kapasitas berlebih, sehingga •nemungkinkan perusahaan beroperasi pads kisaran di bawah kapasitas penuhnya. Karena kapasitas penuh diartikan sebagai tingkat output di mans biaya rata-rata adalah minimal, maka perusahaan akan cenderung untuk berproduksi pads tingkat output yang berada di sekitar sebelah kiri titik minimum kurva AVC tersebut.

36 PENAKSIRAN BIAYA JANGKA PANJANG ..
Pada bagian ini kita rnernba:ias metoda-rnetoda untuk memperoleh kurva biaya jangka panjang atau alternatif-alternatif kurva biaya jangka pendek pads suatu waktu tertentu. Di sini kita akan mernbahas metoda penaksiran biaya jangka panjang tersebut dengan rnenggunakan analisis regresi dengan data seksi silang (cross.-section).

37 Analisis Regresi dengan Menggunakan Data Seksi-silang`
Karena penaksiran biaya jangka panjang TV merupakan usaha untuk menemukan ukuran pabrik yang berbeda-beda pada titik waktu tertentu (dengan asumsi teknologi dan harga faktor produksi konstan), maka kita tidak dapat menggunakan observasi data runtut waktu untuk mendapatkan taksiran fungsi biaya jangka panjang. Namun demikian, observasi dari berbagai pabrik pada suatu periode waktu tertentu (data seksi silang) dapat dianalisis dengan menggunakan teknik analisis regresi. Oleh karma itu, kita perlu mengumpulkan pasangan-pasangan observasi data yang menghubungkan tingkat output dengan biaya total untuk mendapatkan tingkat output tersebut untuk setiap pabrik, pada suatu periode waktu tertentu. Di sini yang harus diperhatikan adalah bahwa pengukuran tingkat cutputaktUal atau tingkat output pada periode tersebut harus sesuai dengan