V PERKIRAAN FUNGSI PERMINTAAN

1. Pendahuluan

Pada kesempatan ini akan dikaji metoda-metoda yang digunakan untuk mendapatkan data permintaan, yang erat kaitannya dengan permasalahan keputusan bisnis. Namun, jika diperkirakan bahwa nilai informasi tsb. lebih besar dari biaya memperolehnya, maka pengambilan keputusan dapat dilakukan dengan data permintaan yang diperoleh dengan menggunakan teknik-teknik tertentu dari riset pasar dan analisis statistik.

Perkiraan pasar adalah proses mendapatkan nilai yang sedang berlaku dalam bentuk koefisien-koefisien fungsi permintaan suatu produk. Sedangkan peramalan permintaan dimaksudkan sebagai proses mendapatkan nilai-nilai permintaan untuk periode yang akan datang. Nilai yang sedang berlaku (hasil riset pasar), dapat digunakan untuk mendukung kebijakan promosi dan membuat keputusan harian pada bidang-bidang yang strategis. Nilai untuk periode yang akan datang diperlukan untuk membuat perencanaan produksi, persediaan, pengembangan produk baru, dan situasi-situasi lainnya di mana keputusan harus memberikan dampak yang diharapkan sepanjang periode perencanaan.

Untuk memperkirakan permintaan suatu produk digunakan metoda-metoda langsung, seperti: wawancara, survei, dan uji-coba pasar kepada para pembeli potensial, sebagai sasaran, untuk menjawab pertanyaan-pertanyaan tentang bagaimana reaksi mereka terhadap perubahan-perubahan harga hipotesis dan variabel-variabel lainnya. Sedangkan metode-metode tidak langsung dari perkiraan permintaan meliputi: analisis statistik terhadap data untuk menyatakan dengan tegas dampak dari perubahan-perubahan pada variabel-variabel penentu terhadap jumlah permintaan. Disini digunakan analisis regresi.

Definisi: Permintaan pasar adalah jumlah suatu barang atau jasa yang akan dibeli konsumen pada periode waktu dan keadaan tertentu. Periode waktu bisa satu hari, satu bulan, satu tahun, dsb. Keadaan tertentu dimaksudkan antara lain: keadaan barang itu sendiri, barang substitusinya, barang komplementernya, harapan terjadinya perubahan harga, pendapatan konsumen, selera konsumen, preferensi konsumen, biaya iklan, dsb..

Permintaan pasar adalah penjumlahan permintaan individual. Sifat permintaan individual ditentukan oleh dua faktor, yaitu : (1) nilai dari cara mendapatkan dan menggunakan barang atau jasa tersebut, dan (2) kemampuan untuk mendapatkan barang atau jasa tersebut. Kedua faktor ini merupakan prasyarat bagi permintaan individual yang efektif.

Model permintaan individual dapat dikelompokkan menjadi dua kelompak: Pertama, kelompok permintaan yang berkenaan dengan barang-barang konsumsi individual. Model-model teori perilaku konsumen cocok untuk menganalisis permintaan individual, yang menyangkut barang-barang yang dapat memuaskan keinginan konsumen secara langsung. Nilai (Value), harga (Worth) dan kegunaan (Utility) barang tersebut merupakan penentu permintaan individual. Kedua, permintaan untuk kelompok barang-barang yang digunakan sebagai input produksi (misalnya: lahan pertanian, pekerja, tenaga pemasaran, manajer, mesin-mesin kantor, peralatan-peralatan industri, dan lain lain). Permintaan ini

1

merupakan permintaan turunan (Derivative Demand). Analisis permintaan barang/jasa seperti ini berdasarkan kepada kerangka teori perusahaan. Permintaannya didasarkan kepada nilai yang diberikan oleh barang/jasa tsb. kepada perusahaan, yaitu penerimaan marginal (MR) dan biaya marginal (MC) yang timbul akibat menggunakannya.

Analisis ini adalah analisis ekonomi, tidak membedakan atara permintaan langsung (permintaan utk. produk akhir) dan permintaan turunan (permintaan utk. input). Analisis ini bertujuan untuk memberikan landasan pijak bagi menyelidiki sifat-sifat permintaan tsb.. Permintaan individual (baik individual konsumen maupun perusahaan) timbul karena pada barang/jasa tersebut melekat kegunaan, dan kegunaan itu memberikan kepuasan. Karena tujuan permintaan individual adalah untuk memaksimalkan kepuasan. Kalau yang diminta itu adalah produk akhir maka tujuannya adalah memaksimumkan kepuasan, berarti ingin memperoleh kegunaan (Utility) yang maksimum, dan kalau yang diminta itu adalah input produksi maka kepuasan maksimum adalah memaksimalkan output, atau meminimumkan input, atau dengan kata lain untuk mencapai titik optimasi.

2. Perkiraan Permintaan

Fungsi permintaan adalah sebagai berikut:

Qx = + 1Px + 2Py + 3Ax + 4Ay + 5Ic + 6Tc + 7Ec + 8N

Permintaan suatu produk diekspresikan sebagai fungsi dari harga produk itu sendiri, harga produk-produk yang berhubungan, iklan, pendapatan konsumen, selera konsumen dan variabel-variabel lain yang penting dalam penentuan permintaan produk tersebut.

adalah koefisien-koefisien yang mewakili angka dengan mana penjualan akan meningkat untuk satu unit perubahan pada nilai variabel tersebut masing-masing. Tidak semua variabel fungsi permintaan dapat dikontrol oleh manajer. Variabel-variabel yang dapat dikontrol adalah harga, promosi, disain produk, dan tempat penjualan. Variabel-variabel yang tidak dapat dikontrol justru lebih banyak, yaitu variabel-variabel yang dapat berubah tanpa dipengaruhi upaya-upaya perusahaan.

Metode Perkiraan Permintaan Langsung dan Tidak Langsung

Metode-metode untuk memperkirakan nilai koefsien dapat dikelompokkan atas metode langsung dan metode tidak langsung. Metode-metode langsung (Direct Methods) melibatkan secara langsung konsumen, meliputi wawancara dan survei, simulasi pasar, dan ujicoba-ujicoba pengendalian pasar. Sedangkan metoda tidak langsung/perkiraan tidak langsung (Indirect Demand Estimation) menggunakan data yang telah dikumpulkan dan metoda ini mencoba mendapatkan hubungan-hubungan secara statistik antara variabel dependen dan variabel-variabel independen.

2

3. Pewawancara, Surveyor dan Pembuatan Percobaan

Pewawancara dan Surveyor

Untuk memecahkan masalah yang seperti ini dapat dibuat kelompok-kelompok focus, atau daftar pertanyaan kepada sample yang mewakili populasi pembeli. Ada empat masalah yang harus diperhatikan: Pertama kerandoman sample, kedua, bias pewawan-cara, ketiga, perhatian dominant (Best of Intention), dan keempat, jawaban terhadap pertanyaan yang tidak dapat dipercaya, misinterpretasi, atau tidak dapat diketahui.

Contoh: PT SLP mencoba memperkenalkan dompet baru dan ingin memperkirakan kurva permintaan dompet tersebut. Mereka menyediakan daftar pertanyaan survei untuk 1000 orang yang akan diwawancara pada saat mereka berbelanja barang yang serupa. Para penerima wawancara dapat memilih satu jawaban diantara lima tingkat harga dompet baru tsb. untuk belanja nyata mereka. Mereka dapat memilih satu dari enam jawaban berikut: a. pasti tidak; b. tidak mungkin; c. mungkin/barangkali; d. cukup mungkin; e. sangat mungkin; f. pasti membeli. Jumlah orang yang memberikan jawaban pada masing-masing kategori untuk setiap tingkat harga diperlihatkan pada tabel 5.1. Para analis menentukan bobot nilai masing-masing dari pembelian nyata produk tersebut dari keenam kemungkinan jawaban, yaitu: 0,0 untuk jawaban a, 0,2 untuk b, 0,4 untuk c, 0,6 untuk d, 0,8 untuk e, 1,0 untuk jawaban f.

Tabel 5.1: Hasil Tabulasi jawabanHarga

($)Jumlah Jawaban Jumlah

yang diperkirakan

a b c d e f

9 500 300 125 50 25 0 1508 300 225 175 150 100 50 3357 100 150 250 250 150 100 5006 50 100 100 300 250 200 6405 0 25 50 225 400 400 800

Berdasarkan data di atas, dapat diperoleh nilai jumlah permintaan yang diperkirakan pada berbagai tingkat harga. Misalnya pada harga $9, nilai jumlah permintaan yang diperkirakan adalah penjumlahan dari nilai yang diperkirakan untuk setiap kelompok responden, yaitu:

Selanjutnya dapat dihitung jumlah yang diperkirakan diminta pada tingkat-tingkat harga yang lain, misalnya pada harga $8, $7, $6, dan $5, seperti yang diperlihatkan tabel 5.1. Kemudian ditentukan koordinat-koordinat harga/jumlah pada grafik, seperti yang diperlihatkan pada gambar 5.1. Gambar tersebut memperlihatkan intercep = $10 dengan slope negatif = 5/800, atau = 0,00625. Apabila harga turun dari $10 ke $5 (naik -$5), jumlah barang tersebut yang diminta naik dari 0 unit ke 800 unit. Dengan demikian, perkiraan kurva permintaan adalah PX = 10,00 – 0,00625QX. Dari persamaan ini

3

perusahaan dapat memperoleh fungsi Penerimaan marginalnya (Marginal Revenue), yaitu: MR = 10,00 – 0,0125QX, karena slope kurva MR dua kali slope permintaan (AR).

Catatan: Perkiraan kurva permintaan ini adalah perkiraan permintaan sampel, yaitu perkiraan permintaan untuk sebagian kecil dari pasar (total penduduk/pembeli potensial). Misalnya 1% dari penduduk dijadikan sample, jumlah permintaan yang diperkirakan semua penduduk akan menjadi 100 kali lebih besar dari sample. Akibatnya, kurva permintaan yang diperlihatkan pada gambar 5.1 akan menjadi lebih landai, dibandingkan dengan yang diperkirakan pada sampael, yaitu 100 kali lebih landai, sebagaimana permintaan yang diperlihatkan pada setiap tingkat harga akan menjadi 100 kali lebih besar dari perkiraan permintaan pada sampel. Pengertian yang lebih sederhana dari modifikasi grafik ini adalah mengalikan secara mendatar dengan skala 100. Dalam kasus ini, intersepnya tetap sama, karena 0 x 100 = 0, sedangkan slope (0,00625) harus dikalikan dengan 1/100 = 0,0000625. Jadi perkiraan kurva permintaan untuk seluruh penduduk, yaitu: PX = 10,00 – 0,0000625 QX. Gambar 5.1 memperlihatkan kurva permintaan total (penerimaan rata-rata) dan penerimaan marginal.

Gambar 5.1 Kurva Penerimaan Rata-rata (AR) dan Penerimaan Marginal (MR)

Simulasi Kondisi Pasar

Contoh: PT Brazilian Gold Coffee mencari informasi permintaan konsumen tentang perubahan harga kopi mereka. Mereka mengorganisir sebanyak 600 perusahaan pengecer kopi untuk suatu percobaan simulasi pasar, yang dibagi ke dalam enam kelompok. Keanggotaan dari masing-masing kelompok tersebut dipilih sesuai dengan sifat-sifat sosio ekonomi kelompok, demikian pula secara umum sebanding dan sesuai dengan pasar secara total. Pada hari yang sama, setiap kelompok diberikan 30 menit untuk berbelanja

1

2

3

4

5

6

7

8

9

10

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16Q

P

0

MR = 10,00 – 0,0125 QX PX = 10,00 – 0,00625 QX

4

di sebuah pasar swalayan yang digunakan untuk simulasi. Setiap peserta diberikan $30 dalam bentuk uang permainan untuk membelanjakan setiap mata barang pada tempat pajangan. Kopi Brazilian Gold dipajangkan secara menonjol di samping kopi-kopi merk lain. Kopi Bazilian Gold ini diberikan harga yang berbeda-beda, sedangkan kopi merk lain tidak. Berbagai tingkat harga dan jumlah yang dibeli setiap kelompok sample diperlihatkan pada tabel dan gambar 5.2.

Tabale 5.2 Jumlah Permintaan BGC pd Berbagai Kemungkinan HargaKelompok Harga Per Bungkus

($)Permintaan Sampel

(Bungkus)Perkiraan Pemintaan

Penduduk (Bungkus)

1 3,39 112 11.2002 3,29 123 12.3003 3,49 94 9.4004 3,19 154 15.4005 3,69 37 3.7006 3,59 71 7.100

Gambar 5.2 Kurva Permintaan yang Diperkirakan Untuk Kopi Gold Brazilian

Pada gambar 5.2 ditentukan koordinat-koordinat harga-jumlah untuk Brazil Gold Coffee dan sket kurva permintaan sample yang diperlihatkan dengan titik-titik berdasarkan data. Kurva permintaan tsb. diperlihatkan dengan suatu penyederhanaan sebagai sebuah garis lurus, karena data tidak sepenuhnya mengindikasikan hubungan non-linier antara harga dan jumlah yang diminta. Intercep pada sumbu tegak (sumbu harga) $ 3,88 dan slope -0,0045. Dari simulasi pasar tersebut memberikan data kurva permintaan sample kopi tersebut : Px = 3,88 – 0,0045Qx, siteris paribus. Besar sample 1% dari populasi, maka kurva permintaan penduduk untuk kopi BGC tersebut menjadi Px = 3,88 – 0,000045Qx. Perubahan dapat menentukan gambar kurva MR dan menghitung elastisitas permin-

|100

3,00 -

3,25 -

3,50 -

3,75 -

4,00 -

P =3,88 -0,0045 Q

|50

|200

|150

Q (pon)

P ($/pom)

5

taannya pada berbagai tingkat harga. Elastisitas permintaan =1/-0,000045 =

22.222,22. Jumlah permintaan juga dapat dihitung pada setiap tingkat harga, misalnya pada harga $3,59 maka permintaan pasar untuk kopi tersebut : 3,59 = 3,88 – 0,000045Qx.

Qx= 6.444,44Elastisitas permintaan pada harga $3,59 :

Percobaan Pasar Langsung

Percobaan pasar langsung (Direct Market Experiments) meliputi orang-orang yang ada pada data kondisi pasar yang sesungguhnya, dimana mereka membelanjakan uangnya pada barang dan jasa yang mereka inginkan.

Contaoh : Banyak perusahaan di AS meluncurkan produk-produk baru dan mengadakan kampanye-kampanye promosi uji-coba di pasar-pasar regional. Misalnya: Sandiago, California digunakan oleh Miller Brewing Company sebagai pasar uji-coba untuk bir baru “Persediaan Khusus” sepanjang tahun 1981, sebelum bir tersebut disebarkan ke seluruh negara. Pemasarannya diujicoba terlebih dadulu di beberapa pasar regional tertentu untuk mengevaluasi penerimaan pasar terhadap produk tersebut untuk memperkirakan reaksi konsumen terhadap tingkat harga dan kampanye promosi. Lokasi pasar yang dipilih untuk ujicoba didasarkan kepada alasan-alasan tertentu.

Pemasaran Langsung

Sebelumnya metoda ini dikenal dengan istilah “Mail Order Marketing”. Pemasaran langsung (Direct Marketing) adalah sebuah saluran komunikasi para pembeli dan penjual dengan sederet kelengkapan ideal menjadi percobaan pasar. Konsumen merespon terhadap sebuah iklan yang dipasang penjual dalam setiap media, meliputi surat kabar, majalah, radio, TV, dan surat-surat langsung kepada para konsumen. Respon konsumen juga bisa dilakukan dengan banyak cara, seperti melalui surat, telepon dan sebagainya.

Catatan : setiap perubahan harga atau strategi pemasaran lainnya, mungkin ada pengaruh atau dampak yang berlanjut dengan penghentian pasar pelan-pelan dan teratur menuju hubungan jangka panjang baru antara harga dan tingkat penjualan. Konsumen ingin mencoba produk baru tersebut, atau merespon penurunan harga, atau kampanye/promosi, tetapi setelah produk dicoba banyak konsumen yang ingin kembali pada produk pesaing yang dibeli sebelumnya. Konsumen dapat merespon suatu pemotongan harga dengan membeli hanya beberapa kardus saja produk tersebut untuk menambah persediaan mereka terhadap produk yang mereka yakini harganya lebih rendah dan perubahan harga tersebut dianggap hanya bersifat sementara.

Untuk melihat dampak pengaruh suatu perubahan, ujicoba-ujicoba pasar harus diadakan lebih banyak, lebih lama, sepanjang periode waktu yang bersangkutan. Apabila variabel di luar kontrol berubah di pasar percobaan tetapi tetap konstan atau berubah dengan tingkat perubahan yang berbeda pada pasar yang terkendali, maka tingkat kepercayaan

6

hasil percobaan pasar tersebut akan menjadi rendah. Jadi, pecobaan pasar langsung harus diimplementasikan dengan hati-hati, harus menjadi keberuntungan di masa yang akan datang, karena itu variabel-variabel yang di luar control tidak boleh mengubah kesimpulan, harus diimplementasikan dengan teliti.

4. Analisis Regresi Permintaan Konsumen

Analisis regresi permintaan konsumen ada dua, y.i: Analis Berurutan Tahun (Time Series Analysis), dan Analisis Silaang (Cross Section Analysis).

Definisi: Analisis time series menggunakan observasi-observasi yang merekam fakta-fakta pada berbagai situasi selama suatu jangka waktu tertentu.

Contoh: harga bulanan dan tingkat penjualan suatu produk perusahaan tertentu yang telah dikumpulkan untuk masa waktu duabelas bulan yang lalu. Problem analisis ini adalah di mana ada sebagian faktor yang tidak teramati mempengaruhi penjualan yang cenderung berubah sepanjang jangka waktu, karena itu sebagian perubahan yang terjadi pada penjualan yang diamati agaknya akan merupakan hasil pengaruh faktor tersebut daripada perubahan harga. Kalau variabel-variabel explanatory dimasukkan ke dalam analisis regresi, misalnya: tindakan para pesaing dan perubahan pendapatan konsumen, harus dikuantitatifkan dan masuk ke dalam analisis.

Definisi : Analisis cross-section adalah analisis yang menggunakan pengamatan yang diambil dari perusahaan-perusahaan atau situasi yang berbeda tetapi dilakukan pada titik atau periode yang sama.

Contoh : analisis cross-section yang merupakan jumlah penjualan suatu produk yang diobservasi pada satu titik atau periode tertentu yang dihasilkan dari sejumlah perusahaan dengan kondisi yang berbeda-beda. Oleh karena itu analisis cross-section menyingkirkan sebagian besar problem variabel-variabel yang tidak teramati dan berubah-ubah pada periode tersebut. Perbedaan tingkat penjualan di antara berbagai perusahaan mungkin disebabkan oleh perubahan pada faktor personil penjualan, posisi cash flow, tingkat aktifitas promosi, dan tingkat objektifitas pimpinan. Faktor-faktor itu juga dapat dikuantitatifkan, datanya dapat diperoleh dan dapat dimasukkan ke dalam analisis guna menentukan dampaknya terhadap variabel dependen.

Persamaan Regresi yang Linier

Dihipotesiskan bahwa Y adalah fungsi dari X, atau beberapa variabel X. Data untuk variabel-variabel ini telah dikumpulkan, lalu dispesifikasi bentuk variabel dependen Y ke dalam variabel-variabel independent X. Analisis regresi dapat diekspresikan dalam bentuk linier sebagai berikut :

Y =+1X1+2X2+…+nXn+ (5-2)

= faktor kesalahan atau sisa nilai yang belum termasaukkan sebagai variabel-variabel independent yang telah dimasukkan ke dalam persamaan, atau merupakan perbedaan

7

nilai aktual Y dengan nilai yang dapat dijelaskan sejumlah variabel independent X yang ada pada persamaan regresi linier tsb.

Hubungan yang non-linier antara nilai X dan Y (seperti: kuadratik, kubik, exponential, hyperbolic, dan power function) dapat digunakan jika semua datanya tersedia. Bentuk non-linier memungkinkan dikonversikan kepada bentuk linier, kemungkinan dapat digunakan untuk memperkirakan hubungan di antara berbagai variabel. Bentuk non-linier yang lazim digunakan adalah bentuk power function, seperti :

Y = X11X2

2e (5-2)

Dimana X1 dan X2 adalah variabel independen dan Y variabel dependen. Selanjutnya logaritma dari nilai-nilai Y, X1 dan X2 dapat diekspresikan dengan persamaan (5-2) sebagai berikut :

Log Y = log + 1 log X1 + 2 log X2 + log e (5-3)

Di dalam bentuk ini persamaan tersebut linier, dan koefisien 1 dan 2 dapat diperoleh dengan penggunaan analisis regresi secara langsung. Koefisien dapat diperoleh dengan pembalikan hasil transformasi nilai log dibagi dengan nilai analisis regresi.

Gambar 5.3 Garis Yang Paling Sesuai

Sebagai alternatif, dapat dicoba bentuk fungsi yang cocok diantara variabel dependen dan variabel independen adalah bentuk kuadratik, seperti bentuk kurva total revenue (TR). Sebuah fungsi kuadratik dapat diekspresikan linier seperti di dalam persamaan (5-4).

X (Variabel Independen)X1

X0

Y = + X

*

*

*

* *

* *

*

Y (Variabel Dependen)

Y_

1Y

Y

*Nilai deviasi Y nyata untuk nilai X tertentu

8

Y = + 1X + 1X2 + (5-4)

Terakhir, apabila bentuk fungsional yang diperkirakan adalah sebuah fungsi kubik (fungsi pangkat tiga), seperti halnya dalam kasus fungsi produksi dapat diterima sebagai dalil, hubungan tersebut menjadi :

Y = + 1X1 + 2X22 + 3X3

3 + (5-5)

Fungsi ini menggunakan analisis regresi untuk menentukan nilai-nilai parameternya.

Perkiraan Parameter-parameter Regresi

Metode Least Squares digunakan untuk mendapatkan parameter-parameter dan .

Contoh: telah dikumpulkan 10 pasang observasi variabel Y dan X; y.i nilai Y yang dikombinasikan dengan nilai X-nya pada ke 10 peristiwa dalam situasi yang sama (Time Series) atau ke 10 data yang berbeda dalam periode yang sama (Cross-Section). Titik-titik diperlihatkan sebagai bintang-bintang di dalam gambar (5-3). Pengoprasian titik-titik tersebut dihipotesiskan sebagai suatu bentuk hubungan Y = + bX yang paling sesuai (mewakili yang paling akurat) hubungan nyata antara variabel Y dan variabel X.

Metoda Least Squares, yang sering disebut Ordinary Least Squares (OLS), adalah persamaan matematik yang dipilih dengan intersep dan slope garis yang paling sesuai, jumlah kuadrat deviasi-deviasi (error-error) adalah minimum. Deviasi-deviasi tersebut diperlihatkan pada gambar (5-3) sebagai jarak vertical antara garis yang paling tepat dengan nilai aktual Y yang diobservasi dengan nilai X. Sebagai contoh, yang

diperlihatkan X1 pada gambar (5-3), nilai Y yang diestimasikan adalah (disebut Y1 topi

dengan tanda circumflex di atas Y1 mengindikasikan nilai yang diperkirakan, atau diharapkan, nilai Y1 yang diberikan X1). Perbedaan vertical antara Y1 yang diobservasi

dengan yang diperkirakan disebut deviasi, residual, atau error term, dan dikonotasikan

sebagai di dalam persamaan (5-2).

Jadi persamaan regresi tersebut menentukan garis yang paling sesuai. Garis tersebut dipilih dengan prosedur matematik, dimana posisi garis meminimumkan jumlah kuadrat kesalahan (deviasi). Kita menguadratkan kesalahan-kesalahan untuk menghindari deviasi positif menghilangkan deviasi negatif. Dengan catatan bahwa garis yang paling sesuai

tersebut melalui titik yang mewakili nilai rata-rata variabel-variabel ( ).

Persamaan regresi tersebut menjelaskan sebagian dari variasi Y observasi dengan (Y

rata-rata), dalam ukuran antara nilai observasi X yang diasosiasikan dengan nilai (X

rata-rata). Gambar 5.3 pada waktu X = X1, persamaan regresi , penjelasan variasi

(yaitu - ), dalam ukuran variasi di dalam X (adalah - ). Untuk nilai residu, atau

9

eror yang tidak dapat dijelaskan adalah perbedaan antara nilai Y observasi aktual dan Y

yang diprediksi (yaitu Y1- 1).

Tanpa menggunakan program computer dan dapat juga dihitung, yaitu:

= - ……………………………………………..(5.7)

dan ……………………………………(5.8)

dimana adalah nilai rata-rata hitung Y; nilai rata-rata hitung X; berkonotasi jumlah

ukuran nilai yang diindikasikan; dan n jumlah observasi atau titik-titik data.

Tabel 5.3 Observasi Harga dan Penjualan Sayur Kubis Beku di Enam Toko serta Kalkulasi Untuk Analisis Regresi sebagai berikut:

Toko No. Harga X ($) Penjualan Y(000 unit)

XY X2 Y2

1 0,79 4.650 3.6735 0,6214 21.62252 0,99 3.020 2.9898 0,9801 9.12043 1,25 2.150 2.6875 1,5625 4.62254 0,89 4.400 2.9160 0,7921 19.36005 0,89 6.380 3.7642 0,3481 40.70446 0,45 5.500 2.4750 0,2025 30.2500

Jumlah 4,96 26.100 196060 4,5094 125.6798X Y XY X2 Y2

Contoh: Misalkan sejumlah toko serba ada menjual sejenis sayur kubis beku dengan merek dagangnya sendiri pada enam toko serbaadanya. Manajer harga ingin mengetahui elastisitas permintaan harga untuk produk ini. Enam toko serba ada tersaebut berlokasi dilingkungan pinggiran kota yang berpendapatan menengah dan semua menjual pada harga $ 0,79 per bungkus. Penjualan bulanan rata-rata pada enam toko serba ada tersebut 4.625 unit pertoko dan tidak ada toko yang menjual 150 unit lebih banyak dari tingkat penjualan tersebut. Perusahaan memutuskan mengadakan suatu percobaan. Harga akan ditetapkan pada tingkat yang berbeda pada masing-masing toko dari keenam toko untuk mengobservasi reaksi penjualan terhadap tingkat harga yang berbeda-beda. Sebagai control, harga akan ditetapkan pada $0,79 di toko pertama. Tingkat harga dan penjualan (dalam unit) pada masing-masing toko dari enam toko selama periode sebulan percobaan seperti diperlihatkan pada tabel 5.3. Tabel 5.3 tersebut meliputi perhitungan yang diperlukan untuk mengetahi parameter-parameter dan . Dengan menggunakan persamaan 5.8 diperoleh:

10

Dan dari persamaan 5.7 diperoleh:

= 4,35 – (-5,059)(0,9267) = 8,0595.

Jadi, Y = 8,5327 – 5,0595 X adalah persamaan garis yang paling sesuai dengan data, pada waktu jumlah yang diminta dalam ratusan unit. Sebagaimana diperlihatkan gambar 5.4, intercept garis tersebut 8.532,7 unit pada sumbu tegak Y, dan kemiringan (Slope)-nya adalah 0.059,5 unit kenaikan penjualan per $ pada harga.

Persamaan regresi ini menunjukkan ketergantungan antara kuantitas yang diminta dengan harga per unit. Kita bisa dengan mudah membalikkan menjadi bentuk P = a + bQ yang umum digunakan untuk menunjukkan kurva permintaan. Dengan mensubstitusikan Q dan P pada persamaan regresi diperoleh :

Q = 8,5327 – 5,0595P (5-9)Antau, P = 1,6865 – 0,19765Q (5-10)

Berdasarkan ketentuan, bahwa penerimaan marginal (MR) mempunyai intersep pada vertical yang sama dengan intercept kurva permintaan dan slope kurva MR besarnya 2 kali slope kurva permintaan, maka :

MR = 1,6865 – 0,3953Q (5-11)Elastisitas permintaan pada setiap tingkat harga dapat diperkirakan dengan menggunakan dQ/dP, lalu memasukkan perkiraan jumlah yang diminta pada tingkat harga tsb. Dengan menggunakan persamaan (5-9).

= dQ/dP x P/Q

Harga dlm dolar (X) |0.20

|0.40

|0.60

|1.20

|0.00

1.000 -

2.000 -

3.000 -

4.000 -

5.000 -

6.000 -

7.000 -

5.000 -

8000 -

9000 -

|0.80

|1.00

Penjualan (Y)

*

* *

*

*

*

Y =8532,7 – 5059,5X

11

Gambar 5.4 Grafik Obsevasi Harga/Penjualan

Contoh : P = 0,85, dQ/dP = -5,0595, Q = 8,5327 – 5,0595(0,85) = 4,2321 = -5,0595 x 0,85/4,2321 = -1,0162

Jadi elastisitas harga permintaan pada tingkat harga $ 0,85 hanya sedikit di atas 1, yang menunjukkan bahwa penerimaan total relatif konstan untuk kenaikan atau penurunan harga di sekitar $ 0,85. Akibatnya kombinasi harga dan jumlah yang diminta ini sangat dekat dengan puncak kurva TR.

Koefisien Kepastian

Definisi : Koefisien kepastian, biasanya diekspresikan dengan R 2 , yaitu suatu nilai statistik yang mengindikasikan proporsi variasi dalam variabel dependen yang dijelaskan oleh variasi pada variabel independen.

Harga R2 menyatakan seberapa baik persamaan regresi sesuai dengan data. R2 yang bernilai 0,98 misalnya, menunjukkan bahwa perubahan pada nilai variabel independent mempengaruhi 98 % perubahan pada variabel dependen. R2 yang lebih rendah, misalkan 0,3 menunjukkan ketersebaran titik (data) dengan deviasi yang relatif besar dari garis yang sesuai, menunjukkan hubungan relatif lemah antara variabel dependen dan variabel independen.

Koefisien kepastian dapat dihitung dengan persamaan ini:

(5-12)

Contoh : Dengan angka-angka contoh 5-1 didapatkan koefisien kepastian :

Maka dikatakan lebih 86% variasi sample observasi penjualan disebabkan oleh pengaruh variasi sample pada tingkat harga. Sisanya pengaruh fak. lain.

Kesalahan Standar

Definisi : Kesalahan standar (Standard Error) adalah ukuran ketersebaran titik data dari garis kecocokan. Dengan angka kesalahan standar (Se), dapat dihitung interval kepercayaan (di sekitar nilai perkiraan variabel dependen) untuk tingkat kepercayaan yang berbeda-beda. Interval kepercayaan (Confidence) adalah range nilai-nilai dimana di dalamnya diperkirakan observasi aktual akan berada dalam persentase jumlah kejadian. Contohnya, kita bisa percaya pada tingkat 95% bahwa nilai Y aktual untuk X yang tersedia akan berada dalam range hasil tertentu di atas dan di bawah nilai perkiraan (yaitu Yi) jika kita mengetahui bahwa 95% dari jumlah kejadian berada dalam interval ini.

12

Dengan mengasumsikan faktor kesalahan (deviasi atau residu) terdistribusi secara normal disekitar garis kecocokan, kita bisa memakai sifat distribusi normal untuk mengatakan bahwa 68% kemungkinan observasi aktual variabel dependen akan berada dalam range yang ditunjukkan oleh nilai perkiraan plus minus satu nilai kesalahan, bahwa observasi selanjutnya 95% akan berada dalam plus minus dua nilai kesalahan standar yang diperkirakan. 99,7% kemungkinan berada dalam plus atau minus tiga nilai kesalahan standar nilai perkiraan.

Dengan penambahan dan pengurangan standar error yang diperkirakan tsb. kepada nilai yang diperkirakan untuk setiap nilai X, dibangun sebuah pita yang didalamnya dapat

diperkirakan nilai Y yang merupakan fakta-fakta bagi nilai X1. sebuah pita yang lebih besar dibangun pada waktu menambahkan atau mengurangi dua standard error estimasi, dan kemungkinan (Probability) naik menjadi 95%, di mana observasi aktual akan terletak dalam pita tersebut. Pita 95% ini mungkin yang digunakan paling luas dalam pengambilan keputusan, dan pita tersebut membangun apa yang diketahui pada tingkat yang lebih tinggi dan lebih rendah dari tingkat kepercayaan 95%. Tingkat kepercayaan 95% ini berarti dimana observasi aktual akan terletak di dalam pita tersebut dan hasil yang sangat baik dan sangat buruk yang menjadi satu dengan nilai fakta-fakta dari variabel independent tidak melebihi batas-batas pita.

Kita menghitung standard error perkiraan dengan menggunakan rumus :

(5-13)

Contoh : untuk contoh sayur kubis beku kita dapat memasukkan nilai-nilai yang telah dihitung pada tabel 5-3 dan selanjutnya nilai-nilai dan diturunkan untuk mendapatkan standar error dari perkiraan yang disatukan dengan garis yang paling sesuai :

Standar error estimasi adalah 0,64555 (atau 645,55 unit, karena data penjualan dalam ratusan). Untuk mendapatkan interval kepercayaan 95%, kita dapat menambahkan dua kali gambar ini kepada untuk mendapatkan batas kepercayaan yang lebih tinggi dan mengurangkan dua kali untuk mendapatkan batas kepercayaan yang lebih rendah.

Pemilihan suatu harga sekitar , misalnya pada $ 0,85, diperkirakan penjualan menjadi

=8,5327 – 5,0595(0,85) = 4,2321

Jadi pada harga $ 0,85 per unit maka perkiraan penjualan terbaik adalah 4.232,1 unit. Batas atas interval kepercayaan 95% sama dengan:

+ 2Se = 4,2321 + 2(0,6455) = 5,5233

13

dan atas bawah interval kepercayaan 95% sama dengan : - 2Se = 4,2321 - 2(0,6455) = 2,9409

Jadi hasil observasi tersebut dapat dipercaya pada tingkat 95% pada harga $ 0,85 penjualann akan merosot di dalam range 2940 unit hingga 5.523,3 unit.

Kekuatan Prediktif dari Persamaan Regresi

Apabila interval kepercayaan relatif sempit karena nilainya relatif kecil dari estimasi kesalahan standar, dikatakan persamaan regresi memiliki tenaga prediktif yang besar dibandingkan apabila nilai Se relatif besar dan interval kepercayaan relatif besar. Bagaimana menduga, apakah nilai Se relatif besar atau kecil? Relatif terhadap apa? Suatu prosedur yang sangat menonjol digunakan adalah menghubungkannya kepada nilai

observasi rata-rata Y. Kalau rasio Se/ kurang dari 0,05, maka deviasi rata-rata Y menjadi

lebih rendah dari 5% nilai Y yang diperkirakan. Perhatikan nilai Se naik seiring

menyebarnya dari nilai rata-rata , dengan demikian prosedur ini menjadi makin

kurang akurat jika nilai Y menyebar dari . Apabila rasio Se/ lebih rendah dari 0,05

kemudian kita memiliki persamaan prediktif yang cukup akurat dengan batas-batas kepercayaan yang relatif ketat (interval kepercayaan yang relatif sempit) pada tingkat kepercayaan yang diinginkan. Catatan: apabila kita ingin tetap lebih terjamin dalam

prediksi kita, kita dapat melakukan test Se/ pada 0,02 dan hanya memakai persamaan

prediktif yang mempunyai Se/ = 0,64555/4,35 = 0,148. Jadi kesalahan standard dari

estimasi mendekati 15% dari nilai penjualan biasa. Hasil ini, bersama dengan interval kepercayaan yang relatif besar, mengindikasikan bahwa akurasi prediksi dari persamaan regresi kita tidak begitu bagus.

Koefisien Kesalahan Standar

Definisi: Koefisien kesalahan standar (The Standard Error of The Coefficient, atau S) adalah ukuran keakuratan penghitungan nilai , koefisien pengestimasian hubungan marginal antara variabel X dan Y. Koefisien kesalahan standar relatif kecil, meng-ekspresikan kepercayaan bahwa nilai yang dihitung sangat mendekati nilai yang sebenarnya. Kebenaran nilai dapat diuji kalau seluruh populasi observasi hubungan variabel-variabel Y dan X diperoleh sebuah sample yang layak. Singkatnya, S adalah deviasi standar sampling distribusi .

Asumsi bahwa deviasi-deviasi didistribusikan yang normal, dapat digunakan kembali tiga distribusi normal istimewa, yaitu : kemungkinan 68% dimana kebenaran koefisien terletak di dalam interval koefisien yang diestimasikan 1 koefisien kesalahan standar, kemungkinan 95% di mana koefisien terletak di dalam interval yang diestimasikan 2 koefisien kesalahan standar, dan kemungkinan 99,7% dimana hubungan aktual akan berada dalam interval yang diestimasikan 3 koefisien kesalahan standar.

14

Koefisien kesalahan standar dihitung dengan menggunakan rumus :

(5-14)

Contoh: kasus sayur kubis beku, koefisien yang diestimasikan -5.0595. Berapa batas-batas kepercayaan 95% perkiraan ini? Kita masukkan data yang telah dihitung di atas ke dalam persamaan (5-14) didapat :

Jadi batas-batas kepercayaan 95% adalah -5,0595 + 2(1,5792)=-1,9009 untuk batas atas dan -5,0595 – 2(1,5792) = -8,2181 untuk batas bawah.

Cara termudah untuk menguji tingkat kepercayaan koefisien regresi adalah dengan mengambil dua kali nilai kesalahan standar dan membandingkannya dengan koefisien regresi yang diestimasikan. Kalau koefisien regresi melebihi dua kali kesalahan standarnya, dipercaya 95% koefisien yang diestimasikan berada secara signifikan dari nol dan ada hubungan yang secara statistik signifikan antara variabel tersebut. Di dalam contoh ini, = -5,0595 dan secara substansial lebih besar dari dua kali nilai S dengan demikian dapat dipercaya pada tingkat 95% bahwa tingkat harga, secara statistic signifikan dalam menentukan jumlah permintaan sayur kubis beku.

Masalah-masalah Analisis Regresi: Enam Kesulitan Yang Tersembunyi

Ada enam masalah utama yang biasa ditemui dalam analisis regresi. Apabila terdapat satu atau lebih dari masalah tersebut, analisis regresi akan memberikan perkiraan parameter-parameter dan angka-angka statistik yang tidak dapat dipercaya, dan berpotensi memberikan penjelasan-penjelasan yang menyesatkan, serta perkiraan-perkiraan yang buruk.

Kesalahan Spesifikasi

Pertama yang menyebabkan ketidakhandalan hasil adalah kesalahan pada spesifikasi (Specification Errors) hubungan yang dihipotesakan terjadi antara variabel dependen dan variabel-variabel independen. Masalah ini ada dua jenis. Pertama, penggunaan bentuk fungsi yang salah tentang hubungan diantara variabel. Bahwa persamaan regresi harus dikalkulasikan dalam bentuk linier, tetapi bisa juga digunakan untuk hubungan-hubungan yang nonlinier dengan merubahnya ke bentuk persamaan logaritma sehingga menjadi linier. Kesalahan bisa terjadi pada menduga hubungan diantara variabel, misalnya menduga linier padahal nonlinier, atau sebaliknya. Bagaimana kita mengetahui bahwa hubungan tersebut benar? Kita peroleh fungsi yang paling cocok untuk data dengan membandingkan koefisien determinasi (R2) dari berbagai bentuk fungsi. Dengan pemrosesan data dalam bentuk linier, persamaan (5-2), dan bentuk pangkat (Power Form), persamaan (5-3) besaran statistik R2 dapat dibandingkan sebagai determinan

15

bentuk fungsi yang paling baik untuk menjelaskan variasi pada variabel independen. Untuk analisis korelasi dua variabel, tentu saja, gambaran sederhana nilai-nilai Y terhadap nilai-nilai X akan memungkinkan untuk menjamin secara visual apakah hubungan tersebut linier atau non linier.

Kedua, adalah penghilangan satu variabel penting yang bersifat menjelaskan (Omission of Explanatory Variable). Ini mengarah kepada kemungkinan ketidakhandalan koefisien-koefisien regresi dan biasanya merupakan pelanggaran pembatasan yang dibuat pada ukuran-ukuran kesalahan. Secara esensial, karena satu atau lebih variabel yang dapat menjelaskan tidak diikutsertakan dalam persamaan regresi, pengaruh variabel-variabel ini sebagai variabel-variabel sisa yang tidak bisa dijelaskan.

Contoh: Ingat contoh kasus brokoli yang sebelumnya. Misalnya untuk tahun sekarang situasi semuanya tetap tidak berlaku lagi: Aktivitas promosi 6 toko berbeda untuk setiap periode, karena perbedaan ketersediaan ruang periklanan di koran mingguan daerah pinggiran kota dan perbedaan sirkulasi koran tersebut. Dengan mengalikan halaman iklan dengan sirkulasi di tiap area, kita dapatkan ukuran periklanan iklan tiap toko yang diperlihatkan di tabel 5-4 dengan harga awal dan data penjualan.

Tabel 5.4 Pengaruh Harga dan Iklan terhadap PenjualanToko No. Penjualan Y (000) Harga X1 ($) Iklan X2 (unit

perkiraan)1 4,650 0,79 23,0002 3,020 0,99 18,5003 2,150 1,25 24,6004 4,400 0,89 26,2005 6,380 0,59 25,1006 5,500 0,45 16,800

Kita hipotesiskan Y = a + 1X1 + 2X2 dan kita pakai computer untuk menentukan parameter . Persamaan regresi yang sesuai dengan data adalah:

Y = 5,71802- 5,80262X1 + 0,000153X2

Dan juga didapatkan data statistic: Kesalahan standar dari periklanan Se = 0,23828. Kesalahan standar koefisien X1 S1 = 0, S2 = 0,00298. Koefisien kepastian R = 0,986.

Perhatikan bahwa besaran relatif dari kesalahan standar di atas menunjukkan bahwa variabel independent cukup baik untuk keperluan peramalan. Koefisien kepastian menunjukkan 98,6% Variasi Y dapat dijelaskan dengan 2 variabel, yaitu harga dan periklanan. Perhatikan juga bahwa nilai koefisien X1 telah berubah dengan penambahan variabel penjelasan kedua, dan nilai R2 pun naik, bila dibandingkan dengan analisis korelasi sebelumnya. Maka pembuangan faktor penentu penting pada analisis sebelumnya membawa kepada koefisien yang salah dari variabel harga dan kepada nilai elastisitas harga terhadap permintaan yang salah.

16

Ketiga, masalah kesalahan pengukuran. Harus dihindari pengukuran variabel yang tidak tepat. Pada contoh kasus brokoli misalnya, apakah akurat? Pada sebagian daerah sub-urban jumlah iklan mungkin tidak berpengaruh kepada penjualan.

Variabel harga biasanya sulit diukur. Ukuran harga yang tersedia adalah daftar harga atau harga pabrik, tetapi pada beberapa keadaan hal ini mungkin tidak menggambarkan secara akurat harga yang sebenarnya. Untuk semua variabel, jika data yang dipakai tidak secara akurat mengukur tingkat variabel tersebut, maka programmer akan mengalami apa yang disebut “sampah masuk, sampah keluar” (Garbage in, Garbage out).

Contoh: Misalkan kita mempunyai tiga observasi harga/kuantitas yang dikumpulkan dalam suatu periode waktu dan ditunjukkan pada gambar 5-5. Semuanya kelihatan mengindikasikan hubungan negatif antara harga dan jumlah sehingga dapat diperkirakan sebagai gambaran kurva permintaan (pada gambar a) dan akibat pergeseran kurva supply (bagian b). Tetapi analisis regresi akan menyatakan bahwa hanya bagian a yang merupakan interpretasi yang benar dari data, yang jika ternyata kesimpulan salah, akan membawa kepada penilaian yang salah tentang slope dan letak fungsi permintaan.

Gambar 5.5 Problema Identifikasi

Problem ini muncul karena kekurangan data pada analisis regresi untuk mengidentifikasi pergeseran kurva permintaan. Ini disebut problem indentifikasi. Problem ini bisa dihindari dengan memasukkan variabel-variabel penentu penyebabkan pergeseran.

Keempat, masalah Multikolinearitas. Problema multikolinearitas muncul jika variabel-variabel independent samasekali tidak independent satu sama lain, atau saling tergantung antara satu variabel independen dengan variabel independen lain, maka koefisien yang dihasilkan dari hasil regresi untuk masing-masing variabel mungkin tidak terkait dengan pengaruh marginal variabel ini terhadap variabel dependen. Analisis regresi tidak dapat mendeteksinya dan akan memberikan nilai yang sembarang kepada koefisien-koefisien.

S

S1

S2

S2

S

S’

S”

D

D1

D2

D3

P3P3

P2 P2

P1P1

Q1 Q1 Q2Q2 Q3 Q300(a) (b)

17

Keadaan ini selain menurunkan kemampuan peramalan persamaan regresi, juga akan menyebabkan kesalahan standar koefisien (atau test) yang indicator tingkat signifikasinya tidak dapat diandalkan.

Adanya multikolinearitas dapat diselidiki dengan memeriksa korelasi koefisien antara 2 (dua) variabel independent. Jika ada 2 (dua) variabel yang memiliki korelasi tinggi, salah satu diantaranya harus dihapuskan dari persamaan regresi, dan perkiraan baru yang lebih tepat akan dapat diperoleh.

Catatan: Multikolinearitas dapat ditoleransi pada persamaan regresi jika tujuannya hanya untuk peramalan saja. Fungsi permintaan tidak boleh ada multikolinearitas, karena kita ingin menentukan seberapa pentingnya setiap koefisien pada persamaan regresi. Contoh, jika adalah koefisien harga untuk menghitung elastisitas harga dan slopenya, untuk itu penting koefisien sebagai perkiraan yang akurat untuk hubungan marginal antara Qx

dan PX, tidak boleh ada multikolinearitas. Tetapi jika ingin meramalkan QX pada perioda tertentu berdasarkan variabel-variabel independent, kita melihat dampak variabel-variabel itu secara keseluruhan terhadap QX tidak secara individual, tidak ada masalah koefisien tiap variabel tidak akurat karena multikolinearitas, sebab hanya dampak total terhadap QX yang diperlukan. Untuk keperluan peramalan, jika adanya multikolinearitas menjadikan R2 lebih tinggi maka multikolinearitas dapat ditoleransi.

Kelima, masalah Heteroskendastisitas. Analisis regresi mengasumsikan homoskendastisi-tas pada kesalahan, yaitu bahwa residu deviasi dari garis kecocokan terjadi secara dan tidak tergantung besaran variabel independent. Jika kesalahan tidak terjadi secara acak tetapi berhubungan secara sistimatis dengan magnitude salah satu atau beberapa variabel independent, kita dapatkan kondisi heteroskendastisitas. Adanya heteroskendastisitas bisa mengakibatkan koef. kesalahan standar menjadi indicator yang salah dan menyebabkan koefisien kepastian memberikan kekuatan penjelasan dari persamaan regresi yang salah.

Cara mudah untuki menemukan adanya heteroskendastisitas adalah dengan menggambar-kan secara grafik nilai-nilai residual terhadap nilai variabel-variabel independent untuk diperiksa. Misalkan residu yang berkaitan dengan variabel X mungkin akan membesar atau mengecil seiring membesarnya X. Problem ini bisa dihilangkan dengan menspesifikasikan kembali variabel-variabel independen, atau mengubah bentuk fungsi hubungan dengan transformasi data atau memakai teknik regresi kuadrat terkecil yang diberi bobot.

Keenam, masalah Autokorelasi. Autokorelasi hanya bisa terjadi pada data dalam bentuk time-series dan diindikasikan dengan pola rangkaian pada kesalahan. Jika besarnya kesalahan menjadi semakin besar atau semakin kecil, atau memperlihatkan pola siklik atau pola lain jika obsevasi X diurutkan dalam urutan kronologis, ini mengindikasikan adanya variabel lain yang merubah secara sistimatis dan mempengaruhi variabel dependen. Problema autokorelasi dapat dihilangkan dengan memasukkan variabel independen yang menjelaskan pola tersebut ke dalam persamaan regresi. Misal jika siklus terlihat berkaitan dengan ekonomi, bisa kita tambahkan variabel GNP, jika terjadi trend kenaikan atau penurunan yang terus menerus, bisa kita tambahkan variabel waktu.

18

Kesimpulan: Analisis regresi adalah alat yang sangat bermanfaat untuk memperkirakan koefisien fungsi permintaan. Tetapi diperlukan kehati-hatian dalam memakai alat ini. Kebanyakan program regresi akan memberikan statistik-statistik seperti di atas dan menggambarkan residu, sehingga peneliti yang berpengalaman dapat menemukan masalah-masalah yang mungkin terjadi. Yang utama diperhatikan adalah kehati-hatian dalam menspesifikasi hubungan dan pengumpulan data. Setelah analisis dibuat, peneliti harus hati-hati menerjemahkan hasilnya sebelum menyimpulkannya sebagai dasar yang kuat untuk mengambil keputusan.

5. Kesimpulan

Perkiraan permintaan bertujuan menemukan nilai-nilai parameter pada fungsi permintaan yang tepat untuk saat ini. Informasi ini penting untuk pengambilan keputusan saat ini dan mengevaluasi apakah keputusan tersebut optimal dalam situasi permintaan sekarang.

Reaksi pembeli terhadap perubahan pada variabel independent dapat diselidiki dengan wawancara dan survey, simulasi situasi pasar, atau melakukan percobaan pasar secara langsung. Harus dipastikan agar sample cukup besar dan cukup acak untuk merefleksikan secara tepat pasar target, agar memungkinkan diperoleh tingkat kepercayaan yang tinggi terhadap hasil. Disain pertanyaan penting untuk keakuratan perkiraan hasil wawancara dan survey. Survei keinginan konsumen tidak terus dilakukan, bias pewawancara dan kurangnya perhatian/informasi konsumen juga bisa mengacaukan dihasil perkiraan

Simulasi dan percobaan pasar langsung memungkinkan untuk mengobservasi konsumen pada proses keputusan konsumsi, dan kesimpulannya bisa digambarkan dari perilaku konsumen nyata. Harus diperhatikan perlunya pengisolasian efek seketika dari efek jangka panjang untuk memastikan apakah perilaku konsumen di tempat percobaan merefleksikan pola umum perilaku mereka secara akurat. Teknik pemasaran langsung memberikan kesempatan ideal untuk mentest dampak harga yang berbeda atau variabel strategis lain, dan trest pasar regional telah terbukti berguna untuk memastikan dampak strategi yang berbeda pada tingkat pengecer.

Analisis regresi dari data yang dikumpulkan memungkinkan perhitungan koefisien fungsi permintaan, dan juga perhitungan angka-angka statistik lain yang mengindikasikan tingkat kepercayaan yang bisa diberikan terhadap hasil. Analisis regresi adalah alat yang sangat baik, jika digunakan secara benar, untuk memperkirakan parameter fungsi permintaan berdasarkan hubungan statistik yang terlihat antara variabel pada observasi time-series atau cross-section. Kesalahan yang bisa menghilangkan validitas teknik ini diantaranya kesalahan spesifikasi, kesalahan pengukuran, problema identifikasi, multikolinearitas, heteroskendastisitas, dan autokorelasi.

19