Program Studi Bisnis Digital • FEB

Akuntansi Bisnis

Pertemuan 4 — Analisis Perilaku Biaya dan Estimasi Biaya: Metode High-Low dan Regresi

Dari data biaya masa lalu menjadi prediksi biaya masa depan — dua teknik dasar yang dipakai UMKM sampai perusahaan digital raksasa untuk menaksir biaya operasional.

RPS MINGGU 4 • 2 × 50 MENIT

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu mengestimasi fungsi biaya dari data historis. Secara rinci:

CAPAIAN 1 — FUNGSI BIAYA

BIAYA CAMPURAN

Memahami konsep biaya campuran (mixed cost) dan menuliskannya sebagai fungsi linear Y = a + bX.

CAPAIAN 2 — HIGH-LOW

METODE TINGGI-RENDAH

Menghitung biaya tetap (a) dan biaya variabel per unit (b) menggunakan metode High-Low.

CAPAIAN 3 — REGRESI

KUADRAT TERKECIL

Menghitung a dan b memakai regresi kuadrat terkecil (least squares) dan membaca nilai R².

CAPAIAN 4 — BIG DATA

APLIKASI DIGITAL

Mengenali bagaimana big data memperluas estimasi biaya di perusahaan berbasis digital.

Berapa Biaya Bulan Depan Kalau Pesanan Naik?

Bayangkan Anda mengelola gudang UMKM konveksi yang melayani pesanan online. Setiap bulan, jumlah paket yang dikirim berubah-ubah, begitu juga biaya operasional gudang.

CARA TEBAK-TEBAKAN

INTUISI KASAR

"Kayaknya kalau pesanan naik dua kali lipat, biayanya juga naik dua kali lipat." Tanpa dasar data, tebakan ini sering meleset jauh — karena sebagian biaya gudang bersifat tetap.

CARA BERBASIS DATA

ESTIMASI BIAYA

Kumpulkan data biaya & volume aktivitas 6 bulan terakhir, lalu pisahkan bagian tetap dan bagian variabel-nya secara sistematis memakai High-Low atau regresi.

Tujuan akhir kita: menemukan fungsi biaya Y = a + bX yang bisa dipakai untuk memprediksi biaya di volume aktivitas berapa pun.

Bagian 1 dari 3

Perilaku Biaya & Fungsi Biaya Linear

Mengingat kembali tiga pola perilaku biaya, lalu memahami bentuk matematis fungsi biaya yang akan kita estimasi.

Review Perilaku Biaya Biaya Campuran Y = a + bX

Mengingat Kembali Tiga Perilaku Biaya

Minggu lalu kita mengklasifikasikan biaya berdasarkan reaksinya terhadap perubahan volume aktivitas.

BIAYA TETAP (FIXED)

TOTAL TETAP

Total tidak berubah walau volume naik-turun. Contoh: sewa gudang UMKM, gaji manajer toko.

BIAYA VARIABEL

TOTAL BERUBAH

Total naik-turun sebanding volume. Contoh: biaya kardus & ongkos kurir per paket terkirim.

BIAYA CAMPURAN

GABUNGAN

Mengandung unsur tetap DAN variabel sekaligus. Contoh: tagihan listrik gudang, biaya hosting cloud.

Biaya campuran (mixed cost) — biaya yang mengandung komponen tetap dan variabel dalam satu pos yang sama — adalah fokus utama pertemuan ini, karena kedua komponennya tidak terpisah otomatis di laporan.

Mengapa Biaya Campuran Perlu Dipisah?

Laporan keuangan tidak otomatis memisahkan komponen tetap dan variabel dalam satu akun biaya campuran — akuntan manajemen harus mengestimasinya sendiri.

CONTOH: BIAYA HOSTING CLOUD TOKO ONLINE

Garis biaya campuran tidak mulai dari nol (ada komponen tetap a), tetapi tetap naik seiring volume (ada komponen variabel b) — inilah yang membuatnya berbeda dari biaya murni tetap atau murni variabel.

Fungsi Biaya Linear: Y = a + bX

Semua metode estimasi biaya campuran bertujuan menemukan dua angka: a (biaya tetap) dan b (biaya variabel per unit).

Y = a + bX

Total Biaya

Biaya campuran total yang ingin kita prediksi pada suatu periode.

Biaya Tetap

Komponen biaya yang tidak berubah, berapa pun volume aktivitas (X).

b & X

Tarif × Volume

b = biaya variabel per unit cost driver; X = jumlah unit aktivitas (mis. jumlah paket).

Istilah cost driver (pemicu biaya) adalah aktivitas yang menyebabkan biaya berubah — misalnya jumlah paket dikirim, jumlah transaksi, atau jam mesin.

Bagian 2 dari 3

Metode High-Low (Tinggi-Rendah)

Cara paling sederhana untuk memisahkan biaya tetap dan variabel — cukup memakai dua titik data ekstrem.

Konsep & Langkah Hitung dari Nol Kelemahan

Logika di Balik Metode High-Low

Metode ini mengasumsikan bahwa perubahan biaya antara titik aktivitas tertinggi dan terendah murni disebabkan oleh komponen variabel.

TAHAP 1 — CARI DUA TITIK EKSTREM

Dari data historis (misal 6 bulan), pilih bulan dengan volume aktivitas tertinggi.
Pilih juga bulan dengan volume aktivitas terendah.
Perhatikan: yang jadi patokan adalah volume aktivitas, bukan besar-kecilnya biaya.

TAHAP 2 — HITUNG SELISIH

Selisih biaya (Y tertinggi − Y terendah) dibagi selisih volume (X tertinggi − X terendah) = b.
Masukkan b ke salah satu titik untuk mencari a (biaya tetap).

Rumus inti: b = (Y tertinggi − Y terendah) ÷ (X tertinggi − X terendah), lalu a = Y − (b × X) pada salah satu titik.

Hitung dari Nol: Metode High-Low

KirimCepat, UMKM jasa gudang logistik untuk penjual online, mencatat biaya gudang bulanan vs jumlah paket dikirim (dalam ribuan unit). Data 6 bulan terakhir: Jan 4rb–Rp32jt, Feb 6rb–Rp38jt, Mar 9rb–Rp45jt, Apr 5rb–Rp35jt, Mei 8rb–Rp44jt, Jun 10rb–Rp50jt.

Langkah	Perhitungan	Nilai
1. Titik tertinggi & terendah	Tertinggi: Juni = 10rb paket, Rp50jt. Terendah: Januari = 4rb paket, Rp32jt.	X: 10rb vs 4rb
2. Biaya variabel/unit (b)	(Rp50jt − Rp32jt) ÷ (10rb − 4rb) = Rp18jt ÷ 6rb	b = Rp3 jt/rb paket
3. Biaya tetap (a)	Rp50jt − (Rp3jt × 10rb) = Rp50jt − Rp30jt	a = Rp20 jt
4. Fungsi biaya	Y = a + bX	Y = 20 + 3X

Prediksi Juli jika volume = 12rb paket: Y = 20 + (3 × 12) = Rp56 juta.

Interpretasi & Kelemahan Metode High-Low

Metode ini cepat dan mudah, tapi punya kelemahan struktural yang harus Anda sadari sebelum memakainya untuk keputusan penting.

KELEBIHAN

CEPAT & MUDAH

Bisa dihitung manual tanpa spreadsheet, cocok untuk estimasi kasar dan cepat di lapangan.

KELEMAHAN

HANYA 2 TITIK DATA

Mengabaikan 4 titik data lain di tengah. Sangat rentan bila titik tertinggi/terendah adalah outlier (data tidak wajar).

Contoh risiko: jika bulan Juni ternyata ada lonjakan biaya tak biasa (misal kenaikan tarif listrik mendadak), maka nilai a dan b yang dihasilkan menjadi bias dan tidak mewakili pola biaya normal.

Coba Sendiri: Uji Metode High-Low pada Data Anda

Geser titik tertinggi dan terendah lalu amati bagaimana garis dan hasil estimasi a & b berubah — termasuk saat salah satu titik jadi outlier.

Bagian 3 dari 3

Regresi Kuadrat Terkecil & Big Data

Menggunakan SELURUH titik data untuk estimasi yang lebih akurat, lalu melihat bagaimana era big data memperluas pendekatan ini.

Least Squares R² Big Data

Regresi Kuadrat Terkecil (Least Squares)

Regresi mencari satu garis lurus terbaik yang meminimalkan total jarak (kuadrat selisih) antara garis dan seluruh titik data historis.

SCATTER PLOT: VOLUME PAKET vs BIAYA GUDANG

Bandingkan dengan High-Low: garis regresi ditarik dari 6 titik, bukan cuma 2 — hasilnya lebih tahan terhadap data yang tidak sempurna linear.

Coba Sendiri: Geser Titik Data pada Garis Regresi

Geser salah satu titik data pada scatter plot dan amati bagaimana garis best-fit serta nilai a & b menyesuaikan diri terhadap seluruh titik, bukan cuma dua.

Rumus Regresi Sederhana

Dengan n pasang data (X,Y), rumus least squares untuk mencari b (slope) dan a (intersep) adalah:

b = (nΣXY − ΣXΣY) ÷ (nΣX² − (ΣX)²)

a = (ΣY − bΣX) ÷ n

ARTI SETIAP SIMBOL

n = jumlah periode data

ΣX, ΣY = jumlah seluruh nilai X dan Y

ΣXY, ΣX² = jumlah hasil kali & kuadrat per titik

Hitung dari Nol: Metode Regresi

Memakai 6 data KirimCepat yang sama: (4,32) (6,38) (9,45) (5,35) (8,44) (10,50) — dalam ribu paket & Rp juta.

Langkah	Perhitungan	Nilai
1. Jumlahkan (Σ)	ΣX=42, ΣY=244, ΣXY=1.788, ΣX²=322	n = 6
2. Pembilang b	nΣXY − ΣXΣY = (6×1.788) − (42×244) = 10.728 − 10.248	= 480
3. Penyebut b	nΣX² − (ΣX)² = (6×322) − 42² = 1.932 − 1.764	= 168
4. Nilai b	480 ÷ 168	b ≈ Rp2,86 jt/rb paket
5. Nilai a	(ΣY − bΣX) ÷ n = (244 − 2,86×42) ÷ 6 = 124 ÷ 6	a ≈ Rp20,67 jt

Fungsi biaya regresi: Y = 20,67 + 2,86X — sedikit berbeda dari High-Low (Y = 20 + 3X) karena regresi memakai semua titik data, termasuk penyimpangan di bulan Maret.

R² — Koefisien Determinasi

R² (dibaca "R kuadrat") mengukur seberapa baik garis regresi menjelaskan variasi data aktual — nilainya antara 0 dan 1.

R² MENDEKATI 0

FIT BURUK

Cost driver (X) yang dipilih hampir tidak berhubungan dengan biaya (Y). Perlu cari cost driver lain.

R² ≈ 0,5–0,7

FIT SEDANG

Hubungan cukup kuat, tapi ada faktor lain yang juga memengaruhi biaya.

R² > 0,80

FIT BAIK

Cost driver X menjelaskan sebagian besar variasi biaya Y — layak dipakai untuk prediksi.

Untuk data KirimCepat, garis regresi sangat rapat dengan titik-titik data (lihat scatter plot sebelumnya), sehingga R²-nya diperkirakan ≈ 0,97 — fit yang sangat baik.

Perbandingan: High-Low vs Regresi vs Big Data

Ketiganya sama-sama mengestimasi fungsi biaya, tapi berbeda tajam dalam jumlah data yang dipakai dan tingkat akurasinya.

Kriteria	High-Low	Regresi	Big Data
Data dipakai	2 titik ekstrem.	Seluruh titik historis.	Ribuan – jutaan titik real-time.
Akurasi	Kasar, rentan outlier.	Lebih akurat, terukur (R²).	Sangat tinggi, adaptif.
Alat bantu	Kalkulator manual.	Excel/Kalkulator statistik.	Machine learning, cloud analytics.
Cocok untuk	Estimasi cepat, UMKM kecil.	Laporan & anggaran formal.	Platform digital skala besar.

Big Data dalam Estimasi Biaya Bisnis Digital

Perusahaan digital skala besar tidak lagi terbatas pada 6-12 titik data bulanan — mereka mengolah data transaksi real-time dalam jumlah masif.

CONTOH PENERAPAN NYATA

E-commerce: memprediksi biaya gudang & kurir dari pola pesanan harian, musiman (harbolnas), dan lokasi pengiriman.
Perbankan digital: bank seperti BBCA mengestimasi biaya infrastruktur IT dari volume transaksi mobile banking.
Ride-hailing/SaaS: biaya server cloud diprediksi dari jumlah pengguna aktif dan permintaan API per detik.

DARI REGRESI KE MACHINE LEARNING

MODEL LEBIH KOMPLEKS

Regresi linear sederhana (1 cost driver) berkembang menjadi regresi berganda (banyak cost driver sekaligus) dan model machine learning yang menangkap pola non-linear serta memperbarui prediksi secara otomatis.

Prinsip dasarnya tetap sama seperti High-Low dan regresi manual: menghubungkan cost driver dengan biaya — hanya skala data dan kecanggihan alatnya yang berbeda.

Latihan Mandiri Sebelum Pertemuan Berikutnya

Kerjakan latihan berikut secara individu, kumpulkan sebelum pertemuan minggu depan.

INSTRUKSI TUGAS

Pilih satu UMKM digital (toko online, jasa titip, warung yang jualan lewat aplikasi) di sekitar Anda.
Kumpulkan atau perkirakan data biaya campuran & volume aktivitas untuk 6 periode (bisa mingguan/bulanan).
Hitung fungsi biaya Y = a + bX memakai metode High-Low secara manual.
Bandingkan singkat: menurut Anda, apakah hasil High-Low ini bisa dipercaya untuk membuat anggaran bulan depan? Jelaskan risikonya.

Format pengumpulan: 1 halaman A4, tuliskan data, langkah hitung, dan kesimpulan. Bawa hasilnya ke pertemuan berikutnya untuk didiskusikan bersama.

Kesimpulan & Penutup

FUNGSI BIAYA

Y = a + bX

Biaya campuran punya komponen tetap (a) dan variabel (b) yang harus dipisah untuk keperluan prediksi.

DUA METODE

HIGH-LOW & REGRESI

High-Low cepat tapi kasar (2 titik); regresi lebih akurat karena memakai semua data & terukur lewat R².

SKALA DIGITAL

BIG DATA

Di perusahaan digital, logika yang sama diperluas ke jutaan data lewat machine learning.

Agenda Pertemuan Selanjutnya:
Kita akan masuk ke Activity-Based Costing (ABC) — cara membebankan biaya overhead ke produk/jasa berdasarkan aktivitas yang sesungguhnya memicu biaya tersebut, lebih akurat dari pembebanan tradisional.