Program Studi Manajemen • FEB

Akuntansi Manajemen

Pertemuan 4 — Analisis Aktivitas, Perilaku Biaya, dan Estimasi Biaya

Dari klasifikasi biaya menuju kemampuan memprediksi biaya masa depan — bekal inti manajer sebelum menyusun anggaran dan keputusan harga.

RPS MINGGU 4 • 2 × 50 MENIT

Selamat pagi/siang, Anda semua telah sampai di pertemuan keempat mata kuliah Akuntansi Manajemen. Minggu lalu kita membahas konsep biaya dan cara mengklasifikasikannya berdasarkan objek biaya serta perilaku biaya secara umum. Hari ini kita akan memperdalam sisi "perilaku biaya" itu: bagaimana caranya seorang manajer, misalnya manajer produksi di pabrik garmen seperti Konveksi Makmur Jaya, bisa memperkirakan berapa biaya listrik atau biaya pemeliharaan mesin bulan depan hanya dari data biaya beberapa bulan terakhir. Kemampuan ini penting sekali karena hampir semua keputusan bisnis — dari menerima pesanan tambahan sampai menyusun anggaran tahunan — membutuhkan estimasi biaya yang akurat, bukan sekadar tebakan. Siapkan kalkulator Anda, karena hari ini kita akan menghitung dua metode estimasi biaya langkah demi langkah.

Bagian 1 dari 3

Memahami Perilaku Biaya

Bagaimana biaya bereaksi — atau tidak bereaksi — saat aktivitas bisnis naik-turun.

Tujuan Pembelajaran Hari Ini

Setelah pertemuan ini, Anda diharapkan mampu menganalisis perilaku biaya dan mengestimasi biaya masa depan menggunakan beberapa metode. Secara rinci:

CAPAIAN 1

AKTIVITAS

Menjelaskan konsep aktivitas & cost driver sebagai akar penyebab timbulnya biaya.

CAPAIAN 2

3 POLA

Mengklasifikasikan biaya tetap, variabel, dan campuran, termasuk step cost.

CAPAIAN 3

HITUNG

Menghitung estimasi biaya dengan metode tinggi-rendah & regresi kuadrat terkecil.

CAPAIAN 4

BANDINGKAN

Membandingkan keempat metode estimasi biaya & mengenali peran big data masa kini.

Mengapa Manajer Perlu Memprediksi Biaya?

Konveksi Makmur Jaya mendapat tawaran pesanan tambahan 1.000 kaos dari sebuah UMKM fesyen. Pemilik harus menjawab dalam satu hari: diterima atau ditolak?

PERTANYAAN 1

BERAPA?

Berapa tambahan biaya listrik & pemeliharaan mesin jahit jika volume produksi naik?

PERTANYAAN 2

TETAP?

Bagian mana dari biaya yang tidak berubah berapa pun jumlah kaos yang dijahit?

PERTANYAAN 3

LAYAK?

Apakah harga yang ditawarkan UMKM masih menutup biaya tambahan & menyisakan untung?

Tanpa memisahkan mana biaya yang ikut berubah dan mana yang tetap, pemilik hanya bisa menebak — dan tebakan yang salah bisa membuat pesanan besar justru merugikan usaha.

Dari Klasifikasi Biaya ke Analisis Aktivitas

Pertemuan 3 lalu kita mengklasifikasikan biaya berdasarkan objek biaya. Sekarang kita lihat apa yang sebenarnya menyebabkan biaya itu muncul.

KONSEP 1

AKTIVITAS

Activity — kegiatan atau proses kerja yang mengonsumsi sumber daya, mis. menjahit, memotong kain, mengemas.

KONSEP 2

COST DRIVER

Pemicu biaya — faktor terukur yang menyebabkan biaya suatu aktivitas naik/turun, mis. jam mesin, jumlah unit, jumlah pesanan.

Contoh: aktivitas "menjahit kaos" di Konveksi Makmur Jaya dipicu oleh cost driver jumlah kaos yang dijahit atau jam mesin jahit yang dipakai — keduanya bisa dipakai untuk mengukur berapa biaya yang akan timbul.

Biaya Tetap (Fixed Cost): Committed vs Discretionary

Biaya tetap tidak berubah totalnya dalam rentang aktivitas relevan tertentu, walau volume produksi naik-turun.

COMMITTED FIXED COST

TERIKAT LAMA

Sulit dikurangi dalam jangka pendek — sewa gedung pabrik, penyusutan mesin jahit, gaji manajer produksi tetap.

DISCRETIONARY FIXED COST

BISA DIATUR

Bisa disesuaikan tiap periode anggaran — anggaran pelatihan karyawan, biaya iklan & promosi.

Biaya Variabel & Biaya Bertingkat (Step Cost)

BIAYA VARIABEL

PROPORSIONAL

Berubah sebanding dengan volume — bahan kain per kaos, benang, kancing.

STEP COST

BERTINGKAT

Tetap dalam rentang tertentu, lalu melompat naik — 1 supervisor tambahan tiap 50 penjahit.

Biaya variabel per unit konstan, sedangkan step cost tetap per rentang aktivitas tertentu — keduanya sering tertukar oleh pemula.

Biaya Campuran (Mixed / Semivariable Cost)

Gabungan komponen tetap dan variabel dalam satu pos biaya — inilah biaya yang paling sering perlu diestimasi.

CONTOH NYATA

TAGIHAN LISTRIK

Biaya beban tetap PLN per bulan (komponen tetap) + biaya pemakaian kWh mesin jahit (komponen variabel).

Y = a + bX

Y = total biaya, a = komponen biaya tetap (titik potong sumbu-Y), b = biaya variabel per unit, X = volume aktivitas (cost driver). Persamaan inilah yang akan kita cari dengan metode estimasi biaya di bagian berikutnya.

Coba Sendiri: Bedakan Tiga Pola Perilaku Biaya

Ubah volume aktivitas dan amati bagaimana grafik biaya tetap, variabel, bertingkat, dan campuran bereaksi berbeda-beda.

Bagian 2 dari 3

Metode Estimasi Biaya

Empat pendekatan untuk memisahkan komponen tetap & variabel dari biaya campuran.

Empat Metode Estimasi Biaya

Semua metode ini punya tujuan sama: memisahkan biaya campuran Y = a + bX menjadi komponen a (tetap) dan b (variabel).

Metode	Cara Kerja Singkat
1. Analisis Akun (account analysis)	Akuntan menandai tiap akun biaya sebagai tetap/variabel berdasarkan pengalaman & penilaian profesional.
2. Pendekatan Teknik (engineering approach)	Insinyur mengukur langsung kebutuhan bahan, waktu & tenaga per unit di lantai produksi.
3. Diagram Pencar (scattergraph)	Memplot data biaya-aktivitas di grafik, lalu menarik garis estimasi secara visual.
4a. Tinggi-Rendah (high-low)	Memakai hanya dua titik data ekstrem (tertinggi & terendah) untuk menghitung a & b.
4b. Regresi Kuadrat Terkecil (least-squares)	Memakai seluruh titik data secara statistik untuk garis estimasi paling akurat.

Metode Tinggi-Rendah (High-Low Method)

Metode paling sederhana: hanya memakai titik aktivitas tertinggi dan titik aktivitas terendah dari data historis.

b = (Biaya tertinggi − Biaya terendah) ÷ (Aktivitas tertinggi − Aktivitas terendah)

a = Biaya total − (b × Aktivitas) — pada salah satu titik

Kelemahan utama: hanya memakai 2 dari sekian data — jika titik tertinggi/terendah adalah data tidak wajar (outlier, mis. bulan libur pabrik), estimasi bisa bias.

Hitung dari Nol: Estimasi Biaya Listrik dengan Metode Tinggi-Rendah

Data biaya listrik pabrik Konveksi Makmur Jaya: bulan aktivitas tertinggi = 5.000 unit kaos (Rp32.000.000); bulan terendah = 2.000 unit (Rp20.000.000).

LANGKAH PERHITUNGAN

Langkah	Perhitungan	Nilai
Selisih biaya	Rp32.000.000 − Rp20.000.000	Rp12.000.000
Selisih aktivitas	5.000 − 2.000	3.000 unit
Biaya variabel/unit (b)	Rp12.000.000 ÷ 3.000	Rp4.000/unit
Biaya tetap (a)	Rp32.000.000 − (Rp4.000 × 5.000)	Rp12.000.000
Persamaan biaya	—	Y = 12.000.000 + 4.000X

ESTIMASI UNTUK 4.000 UNIT BULAN DEPAN

Rp28 jt

12.000.000 + (4.000 × 4.000) = Rp28.000.000

Mari hitung bersama, langkah demi langkah. Selisih biaya antara bulan tertinggi dan terendah adalah tiga puluh dua juta dikurangi dua puluh juta, sama dengan dua belas juta rupiah. Selisih aktivitasnya adalah lima ribu unit dikurangi dua ribu unit, sama dengan tiga ribu unit. Biaya variabel per unit, atau b, kita dapat dari dua belas juta dibagi tiga ribu, sama dengan empat ribu rupiah per kaos. Untuk mencari biaya tetap a, kita ambil salah satu titik data, misalnya titik tertinggi: tiga puluh dua juta dikurangi empat ribu dikali lima ribu unit, sama dengan dua belas juta rupiah biaya tetap per bulan. Jadi persamaan biayanya adalah Y sama dengan dua belas juta ditambah empat ribu dikali X. Kalau bulan depan Konveksi Makmur Jaya memproduksi empat ribu unit, estimasi biaya listriknya adalah dua puluh delapan juta rupiah — angka inilah yang dipakai pemilik untuk memutuskan apakah menerima pesanan tambahan tadi menguntungkan atau tidak.

Coba Sendiri: Hitung a & b dengan Data Anda Sendiri

Ubah angka biaya & aktivitas titik tertinggi/terendah, lalu lihat langsung bagaimana b dan a berubah pada persamaan biaya.

Metode Diagram Pencar (Scattergraph)

Memplot semua titik data biaya-aktivitas ke dalam grafik, lalu menarik garis estimasi terbaik secara visual.

Langkah 1 — Plot semua data: setiap bulan (aktivitas, biaya) menjadi satu titik di grafik; pola sebaran memberi gambaran awal apakah hubungannya linear.

Langkah 2 — Tarik garis "tengah": gambar garis lurus yang paling mewakili sebaran titik; titik potong sumbu-Y ≈ a (tetap), kemiringan garis ≈ b (variabel).

Berbeda dengan metode tinggi-rendah yang hanya memakai dua titik, diagram pencar memakai seluruh data yang kita punya. Langkah pertama, kita plot setiap bulan sebagai satu titik di grafik, dengan sumbu horizontal adalah volume aktivitas dan sumbu vertikal adalah biaya total. Dengan melihat sebaran titik-titik ini, kita bisa langsung menilai secara visual apakah hubungan antara aktivitas dan biaya memang cenderung linear, atau justru ada titik-titik aneh yang menyimpang jauh dari pola umum — inilah keunggulan scattergraph dibanding metode tinggi-rendah, karena outlier bisa langsung terlihat dan diabaikan. Langkah kedua, kita menggambar garis lurus yang menurut penilaian kita paling mewakili sebaran titik tersebut; titik di mana garis ini memotong sumbu-Y adalah perkiraan biaya tetap a, dan kemiringan garis itu adalah perkiraan biaya variabel b. Kelemahannya, karena garis digambar "dengan mata", hasilnya bisa berbeda-beda antar orang — di sinilah regresi kuadrat terkecil menjadi solusi yang lebih objektif.

Metode Regresi Kuadrat Terkecil (Least-Squares Regression)

Metode paling akurat secara statistik — memakai seluruh titik data untuk menghitung garis dengan total selisih kuadrat terkecil.

b = (nΣXY − ΣXΣY) ÷ (nΣX² − (ΣX)²)

a = (ΣY − bΣX) ÷ n

UKURAN KECOCOKAN GARIS

R² (R-SQUARED)

Nilai 0–1 yang menunjukkan seberapa baik garis regresi menjelaskan variasi biaya. Semakin dekat ke 1, semakin dapat diandalkan cost driver yang dipilih.

Regresi kuadrat terkecil adalah metode paling akurat secara statistik karena memakai seluruh titik data, bukan cuma dua titik ekstrem seperti metode tinggi-rendah, dan tidak bergantung pada ketepatan mata seperti scattergraph. Namanya "kuadrat terkecil" karena rumus ini secara matematis mencari garis yang meminimalkan total kuadrat selisih antara data aktual dan garis estimasi. Rumusnya memang terlihat rumit dengan simbol sigma, tapi sebenarnya hanya penjumlahan sederhana dari data yang kita punya — n adalah jumlah observasi, X adalah aktivitas, Y adalah biaya. Yang perlu Anda pahami betul adalah konsep R-squared: angka antara nol dan satu yang menunjukkan seberapa baik cost driver yang kita pilih benar-benar menjelaskan perubahan biaya. Kalau R-squared mendekati satu, misalnya 0,95, berarti sembilan puluh lima persen variasi biaya bisa dijelaskan oleh cost driver tersebut — sangat dapat diandalkan. Sekarang mari kita hitung contohnya.

Hitung dari Nol: Estimasi Biaya Pemeliharaan Mesin dengan Regresi

Data 6 bulan biaya pemeliharaan mesin (Y, juta Rp) terhadap jam mesin (X, ribuan jam) sudah dijumlahkan sebagai berikut:

LANGKAH PERHITUNGAN (n = 6 BULAN)

Langkah	Perhitungan	Nilai
ΣX, ΣY, ΣXY, ΣX²	hasil penjumlahan data 6 bulan	30 • 180 • 960 • 170
Pembilang b	(6×960) − (30×180)	5.760 − 5.400 = 360
Penyebut b	(6×170) − 30²	1.020 − 900 = 120
Biaya variabel (b)	360 ÷ 120	3 juta/ribu jam mesin
Biaya tetap (a)	(180 − 3×30) ÷ 6	15 juta/bulan

PERSAMAAN BIAYA PEMELIHARAAN

Y = 15 + 3X

a = Rp15 juta tetap/bulan; b = Rp3 juta per ribu jam mesin (setara Rp3.000/jam)

Data mentah enam bulan sudah saya jumlahkan agar kita fokus pada logika rumusnya, bukan sibuk menjumlah manual. Sigma X sama dengan tiga puluh, sigma Y sama dengan seratus delapan puluh, sigma XY sama dengan sembilan ratus enam puluh, dan sigma X kuadrat sama dengan seratus tujuh puluh. Untuk mencari b, pembilangnya adalah enam dikali sembilan ratus enam puluh dikurangi tiga puluh dikali seratus delapan puluh, sama dengan tiga ratus enam puluh. Penyebutnya adalah enam dikali seratus tujuh puluh dikurangi tiga puluh kuadrat, sama dengan seratus dua puluh. Maka b sama dengan tiga ratus enam puluh dibagi seratus dua puluh, sama dengan tiga — artinya setiap seribu jam mesin tambahan, biaya pemeliharaan naik tiga juta rupiah, atau setara tiga ribu rupiah per jam. Biaya tetap a kita hitung dari seratus delapan puluh dikurangi tiga dikali tiga puluh, dibagi enam, sama dengan lima belas juta rupiah per bulan. Persamaan akhirnya, Y sama dengan lima belas ditambah tiga X, siap dipakai memprediksi biaya pemeliharaan di bulan-bulan berikutnya berapa pun jam mesin yang direncanakan.

Bandingkan: Kelebihan & Kelemahan Tiap Metode

Metode	Kelebihan	Kelemahan
Analisis Akun	Cepat, murah, tanpa data historis panjang	Subjektif — bergantung penilaian akuntan
Pendekatan Teknik	Paling presisi, berbasis pengukuran nyata	Mahal & memakan waktu lama
Scattergraph	Visual, mudah mendeteksi outlier	Garis ditarik "dengan mata" — kurang objektif
Tinggi-Rendah	Sangat cepat, cukup kalkulator biasa	Hanya 2 titik data — rawan bias outlier
Regresi Kuadrat Terkecil	Paling akurat, memakai semua data, ada ukuran R²	Butuh data cukup banyak & asumsi hubungan linear

Praktik terbaik: gunakan tinggi-rendah untuk estimasi cepat, lalu validasi dengan regresi sebelum angka dipakai untuk keputusan besar seperti anggaran tahunan.

Sekarang kita bandingkan kelima metode yang sudah kita pelajari. Tidak ada metode yang sempurna untuk semua situasi — pilihan tergantung pada seberapa penting akurasi versus seberapa cepat dan murah Anda butuh hasilnya. Analisis akun dan pendekatan teknik jarang dipakai sendirian karena yang satu terlalu subjektif dan yang satu terlalu mahal. Scattergraph bagus sebagai pengecekan visual awal. Dalam praktik dunia nyata, kombinasi yang paling umum adalah memakai metode tinggi-rendah untuk estimasi cepat sehari-hari, misalnya menjawab tawaran pesanan mendadak seperti kasus Konveksi Makmur Jaya tadi, lalu memvalidasi dengan regresi kuadrat terkecil sebelum angka itu dipakai untuk keputusan besar seperti menyusun anggaran tahunan, karena regresi memberi ukuran objektif lewat R-squared seberapa bisa diandalkan estimasi tersebut.

Bagian 3 dari 3

Big Data & Penerapan

Bagaimana perusahaan modern memperluas estimasi biaya klasik dengan data dalam jumlah besar.

Big Data dalam Estimasi Biaya Modern

Metode tinggi-rendah & regresi klasik memakai satu cost driver. Perusahaan besar kini memakai big data untuk analisis yang jauh lebih kaya.

KETERBATASAN KLASIK

1 DRIVER

Regresi sederhana hanya mengaitkan biaya dengan satu pemicu (mis. jam mesin saja) — realitas bisnis jauh lebih kompleks.

PENDEKATAN MODERN

MULTI DRIVER

Regresi berganda & machine learning mengaitkan biaya dengan banyak variabel sekaligus secara real-time.

Contoh nyata: platform e-commerce seperti Tokopedia memprediksi biaya logistik harian dari ribuan data — jarak pengiriman, jenis kurir, cuaca, hingga jam sibuk — jauh melampaui satu cost driver sederhana.

Metode tinggi-rendah dan regresi sederhana yang baru kita hitung sangat berguna untuk memahami konsep dasar, tapi keduanya hanya mengaitkan biaya dengan satu cost driver saja — misalnya hanya jam mesin. Padahal di dunia nyata, biaya sering dipengaruhi banyak faktor sekaligus. Di sinilah big data berperan: perusahaan besar sekarang memakai regresi berganda, yang mengaitkan biaya dengan banyak variabel bersamaan, bahkan model machine learning yang bisa memperbarui prediksinya secara real-time begitu data baru masuk. Contoh yang mungkin sudah Anda rasakan sendiri sebagai konsumen: platform e-commerce seperti Tokopedia memprediksi biaya pengiriman dan logistik hariannya dari ribuan titik data — jarak, jenis kurir, cuaca, bahkan jam sibuk lalu lintas — jauh lebih canggih dari sekadar satu garis regresi sederhana yang kita hitung tadi. Namun perlu diingat, fondasi logikanya tetap sama persis dengan yang baru kita pelajari: memisahkan komponen tetap dan variabel dari data historis.

Latihan: Hitung Sendiri dengan Data Baru

Kerjakan berpasangan, 10 menit. Data biaya pemeliharaan mesin jahit Konveksi Makmur Jaya:

BULAN TERTINGGI

4.500 JAM

Total biaya pemeliharaan: Rp23.500.000

BULAN TERENDAH

1.500 JAM

Total biaya pemeliharaan: Rp11.500.000

Hitung: (1) biaya variabel per jam mesin (b), (2) biaya tetap per bulan (a), (3) persamaan biaya Y = a + bX, (4) estimasi biaya untuk 3.000 jam mesin bulan depan. Gunakan metode tinggi-rendah.

Rangkuman & Persiapan Pertemuan Berikutnya

CHEAT SHEET — PERILAKU & ESTIMASI BIAYA

Konsep	Inti
Aktivitas & Cost Driver	Akar penyebab biaya — dasar semua metode estimasi
3 Pola Biaya	Tetap, variabel, campuran (Y = a + bX)
Tinggi-Rendah	Cepat, 2 titik data, rawan bias outlier
Regresi Kuadrat Terkecil	Semua data, paling akurat, ukur dengan R²

MINGGU DEPAN (P5)

Activity-Based Costing (ABC) & Activity-Based Management (ABM) — membebankan biaya lebih akurat lewat cost driver berganda.

TUGAS

SELESAIKAN LATIHAN

Rapikan hasil perhitungan latihan kelas & kumpulkan sebelum pertemuan berikutnya.

Mari kita rangkum pertemuan hari ini. Kita mulai dari konsep aktivitas dan cost driver sebagai akar penyebab biaya, lalu mengenali tiga pola dasar perilaku biaya — tetap, variabel, dan campuran yang dirumuskan sebagai Y sama dengan a ditambah bX. Untuk memisahkan komponen a dan b dari biaya campuran, kita punya beberapa metode, dan dua yang paling penting sudah kita hitung langsung: metode tinggi-rendah yang cepat namun hanya memakai dua titik data, dan regresi kuadrat terkecil yang memakai semua data dengan ukuran kecocokan R-squared. Kemampuan mengestimasi biaya inilah yang minggu depan akan kita pakai sebagai dasar mempelajari Activity-Based Costing, di mana kita akan membebankan biaya ke produk secara jauh lebih akurat memakai banyak cost driver sekaligus, bukan hanya satu. Sebagai tugas, rapikan hasil perhitungan latihan berpasangan tadi dan kumpulkan sebelum pertemuan berikutnya. Terima Kasih, sampai jumpa di pertemuan kelima.