INFORMASI ASIMETRIS

Incomplete versus Asymmetric Information

Incomplete information terkait dengan uncertainty terjadi dalam imperfect market (monopoly, oligopoli, dan monopolistic competition). Situasi incomplete information dihadapi oleh dunia bisnis pada umumnya.

Sumber uncertainty:

a. Kondisi ekonomi makro

b. Pesaing

c. Perubahan preferensi

d. Perubahan biaya

Reaksi terhadap resiko uncertainty:

a. Risk neutral

· Risiko bersifat tetap

· Marginal utility dari uang tetap

b. Risk lover

· Memilih untuk menyukai risiko

· Marginal Utility dari uang meningkat

c. Risk averter

· Memilih untuk menghindari risiko

· Marginal Utility dari uang menurun

Resiko sering ditunjukkan dengan sebaran kemungkinan hasil suatu keputusan dari rata-ratanya. semakin lebar sebarannya, semakin beresiko. Sebaliknya, semakin sempit sebarannya, semakin tidak berisiko.

Dalam statistik, besarnya resiko dihitung dengan menggunakan rumus:

Contoh: Measuring Risk Probability Distributions

Calculation of Expected Profit

Perhitungan Standar Deviasi
Project A

ri uang menurunoari uang meningkat____________________________________________________________________________________________$70.71

Perhitungan Standar Deviasi
Project B

Dari perhitungan standar deviasi untuk kedua proyek tersebut, maka disimpulkan bahwa proyek B lebih besar resikonya dibandingkan dengan proyek A

Untuk lebih jelasnya, dapat dilihat pada grafik berikut:

Asimetric information

Asimetric information terjadi bila salah satu pihak (penjual atau pembeli) dalam transaksi mengetahui informasi lebih banyak ketimbang pihak lainnya. Pihak yang informasinya terbatas memiliki kesulitan utk mengakses informasi yang lengkap ,biasanya rawan kecurangan. Informasi asimetris menimbulkan persoalan tersendiri dalam pengambilan keputusan (penjual atau pembeli).

Dalam bidang ekonomi, asimetri informasi terjadi jika salah satu pihak dari suatu transaksi memiliki informasi lebih banyak atau lebih baik dibandingkan pihak lainnya. Umumnya pihak penjual yang memiliki informasi lebih banyak tentang produk dibandingkan pembeli, meski kondisi sebaliknya mungkin juga terjadi (www.wilkipedia Indonesia).

Contoh situasi dimana penjual memiliki informasi lebih baik ada banyak, termasuk di dalamnya penjual mobil bekas, pialang saham, agen real estate, dan asuransi jiwa.

Kondisi ini pertama kali dijelaskan oleh Kenneth J. Arrow dalam satu artikel yang terkenal di bidang penanganan kesehatan 1963 yang berjudul "Uncertainty and the Welfare Economics of Medical Care," di jurnal American Economic Review.

George Akerlof kemudian menggunakan istilah informasi asimetris dalam karyanya tahun 1970: The Market for Lemons (Pasar Barang Kacangan). Ia menyebutkan bahwa, dalam pasar seperti itu, nilai rata-rata dari komoditi cenderung untuk turun, bahkan untuk barang yang tergolong berkualitas bagus.

Penjual yang tidak berniat baik dapat menipu pembeli dengan cara memberi kesan seakan-akan barang yang dijualnya bagus. Sehingga, banyak pembeli yang menghindari penipuan menolak untuk melakukan transaksi dalam pasar seperti ini, atau menolak mengeluarkan uang besar dalam transaksi tersebut. Sebagai akibatnya, penjual yang benar-benar menjual barang bagus menjadi tidak laku karena hanya dinilai murah oleh pembeli, dan akhirnya pasar akan dipenuhi oleh barang berkualitas buruk.

Persoalan bagi pembeli meliputi:

a. Search Goods, yaitu yg mudah diketahui atributnya dengan melihat tampilan, warna, catalog, dan lain-lain.

b. Experience Goods, yaitu yang hanya dpt diketahui atributnya dengan mencobanya.

c. Credence Goods, yaitu barang yang tidak pernah kita tahu dengan pasti atributnya.

Masalah Utama Informasi Asimetris

Secara umum informasi asimetris menimbulkan 2 masalah utama:

• Moral hazard: salah satu pihak dalam transaksi melakukan aksi tersembunyi tanpa diketahui pihak lainnya (setelah transaksi terjadi).

• Adverse selection: salah satu pihak tidak memberikan informasi seutuhnya tentang karakteristik sesuatu kepada pihak lain (sebelum transaksi terjadi).

Adverse selection menyebabkan seleksi yang dilakukan menghasilkan orang-orang yang secara ekonomis tidak dikehendaki.

Pembatasan moral hazard dan adverse selection:

• Signalling: pihak yang memiliki informasi lebih banyak mengirim informasi tentang karakteristik tersembunyi kepada pihak lainnya.

• Screening: pihak yang memiliki informasi terbatas menyeleksi individu-individu berdasar karakteristiknya.

Estimasi Permintaan

1. MASALAH INDENTIFIKASI

Kita ketahui bahwa kurva permintaan suatu komoditasmenunjukkan kuantitas yang ditawarkandari suatu komoditas per satuan waktu pada berbagai tingkat harga komoditas tersebut, dengan memegang konstan variable lainnya dalam persamaan penawaran.

Titik-titik data harga kuantitas yang terobservasi, E_1,E_2,E_3, dan E_4, dihasilkan dari perpotongan kurva permintaan dan penawaran yang tak terobservasi D_1,dan S_1, D₂ dan S_2, D₃, dan S_3, serta D_4, dan S_4. Maka dari itu, garis putus-putus yang dihubungkan titik-titik E_1,E_2,E_3, dan E_4, bukan merupakan kurva permintaan dari komoditas. Untuk menurunkan kurva permintaan dari komoditas, katakana D₂, kita membuat penawaran bergeser atau menjadi berbeda dan benar, terhadap kekuatan yang menyebabkan kurva permintaan D₂ bergeser atau menjadi berbeda.

PENDEKATAN PENELITIAN PEMASARAN UNTUK ESTIMASI PERMINTAAN

Ada 3 cara pendekatan Pemasaran untuk Estimasi Permintaan, yaitu:

1. Survei Konsumen dan penelitian observasi.

2. Klinik Konsumen

3. Ekspermen Pasar

2. PENGENALAN ANALISIS REGRESI

Analisis Regresi adalah merupakan teknik statistik yang dapat menghasilkan garis yang paling baik yang cocokdengan data yang sesuai dengan criteria statistika yang objektif, sehingga semua peneliti yang melihat data yang sama akan mempunyai hasil yang sama. Dalam analisis regresi ada yang dikenal dengan, garis regresi, metode kuadrat kecil biasa, dan metode kuadrat terkecil. Garis Regresi adalah merupakan garis yang meminimumkan jumlah dari simpangan kuadrat pada sumbu vertikal dari setiap titik regresi tersebut. Metode Kuadrat Kecil Biasa, adalah gari regresi yang memenuhi mitode kuadrat terkecil.

Garis Regresi yang diperlihatkan pada gambar ini, merupakan garis yang paling cocok dapat mewakili titik-titik data dalam arti kata jumlah simpangan kuadrat pada sumbu vertical dari titik-titik adalah yang minimum. Regresi Sederhana, dalam bagian ini kita dapat menghitung:

1. Menghitung nilai a (titik potong Vertikal) dan nilai b (koefisien kemiringan) dari garis regresi.

2. Mengadakan Uji signifikansi estimasi-estimasi parameter.

3. Membuat interval keyakinan untuk parameter yang sebenarnya

4. Menguji kekuatan penjelas secara keseluruhan dari regresi.

1. Menghitung nilai a dan b dari gari regresi.

Bahwa suatu garis regresi merupakan suatu garis terbaik yang cocok dengan titik-titik data dalam artian bahwa jumlah simpangan kuadrat pada garis adalah minimum.

Tujuan analisis Regresi adalah untuk menhasilkan estimasi nilai a (titik potong vertikal) dan b (koefisien kemiringan) dari garis regresi.

Contoh, Estimasi permintaan:

2.Uji Signifikansi Estimasi Parameter

Untuk menguji hipotesis bahwa b adalah signifikan secara statistic, maka :

Dimana Y_t dan X_t merupakan sampel observasi aktual dari variabel terikat dan bebas pada tahun t, Ý_t merupakan nilai variabel terikat pada tahun t yang diestimasi dari garis regresi , X merupakan rata-rata atau nilai yang diharapkan dari variabel bebas, e merupakan factor galat atau Y- Ý_t, n adalah jumlah observasi atau titik data yang dipakai dalam mengestimasi garis regresi, dan k adalah jumlah koefisien yang diestimasi dalam regresi. Nilai n-k disebut sebagai derajat kebebasan (degrees of freedom-df). Karena dalam analisis regresi sederhana kita mengestimasi dua parameter a dan b, maka nila k adalah 2, sehingga derajat kebebasan adalah n-2.

Untuk memperoleh nilai penjualan maka:

Untuk menghasilkan uji signifikan yang objektif, kita bandingkan hasil perhitungan rasio t dengan nilai kritis dari distribusi t dengan n-k.

3. Uji Signifikansi dan interval keyakinan

Uji signifikansi biasanya tidak dilakukan untuk koefisien a (titik potong vertical), karena koefisien ini biasanya mempunyai tingkat signifikansi yang kecil atau tidak sama sekali. Maka perlu kita ingat, bahwa semakin besar derajat kebebasan (semakin besar jumlah observasi atau titik data dalam hubungan terhadap jumlah parameter yang diestimasi dalam analisis regresi), semakin kecil nilai kritis t tingkat signifikansi yang kita pilih, jadi semakin besar nilai derajat kebebasan, semakin munkin bagi kita untuk menerima hipotesis yang mengatakan adanya hubungan yang signifikan secara statistik antara variabel bebas dan variabel terikat.

4. Uji kecocokan Model dan Korelasi

Kita akan menguji kekuatan variabel penjelas secara keseluruhan dari keseluruhan regresi, hal ini dengan menghitung nilai koefisien determinasi, yang biasanya disimbolkan dengan R² (coefficient of determination). R², dinyatakan sebagai proporsi dari variasi total atau disperse dari variabel terikat (disekitar reratanya) yang bias dijelaskan oleh variasi dari variabel-variabel bebas atau penjelas pada regresi.

Variasi Total = Variasi yang Dapat dijelaskan + Variasi yang Tidak dapat dikelaskan

Variasi Total yang Bisa dijelaskan dan yang Tidak bias dijelaskan:

Variasi total pada variabel terikat, ∑(Y_t – Y)², sama dengan variasi yang dapat dijelaskan, ∑(Ý_t – Ỹ)², ditambah Variasi yang tidak dapat dijelaskan atau residual, ∑(Y_t – Y)².

Sekarang, koefisien determinasi, R² didefinisikan sebagai rasio antara variasi Y yang dapat dijelaskan dengan variasi total. Secara matematis dapat dituliskan:

Ada dua hal yang diperhatikan dalam koefisien determinasi, yaitu:

1. Akar kuadrat dari koefisien determinasi R², merupakan nilai absolute dari koefisien korelasi, yang dituliskan sebagai r. Dimana: r = √R². Ini merupakan ukuran sederhana dari derajat hubungan atau kovarian yang ada antara variabel X dan Y. Tanda dari koefisien korelasi (r) adalah sama dengan tanda dari koefisien kemiringan hasil estimasi (b).
2. Walaupun analisis regresi menerangakan hubungan sebab akibat (bahwa variasi X mengakibatkan variasi Y ), ini hanya teori, karena sesungguhnya adalah mungkin koefisien determinasi (R²) yang tinggi dan korelasi (r) antara X dan Y dapat mengarah pada faktor lainya yang saling mempengaruhi antara keduanya, X dan Y yang tidak termasuk pada analisis regresi.

C. ANALISIS REGRESI BERGANDA

Model regresi berganda ( multiple regression analysis), yaitu:

Dimana Y adalah variabel terikat merupakan penerimaan penjualan perusahaan . X₁ merupakan pengeluaran iklan perusahaan, dan X₂ merupakan pengeluaran untuk biaya pengendalian mutu. Koefisien a, b₁, b₂ merupakan parameter yang harus diestimasi.

Koefisien determinasi dan R² yang disesuaikan yaitu sebagai berikut:

D. ANALISIS VARIANS

Kekuatan menerangkan secara seluruhnya dari keseluruhan regresi dapat diuji dengan menggunakan analisis varians (analysis of variance). Ini menggunakan rasi (F). F digunakan untuk menguji hipotesis bahwa variasi dari semua variabel bebas (X) menjelaskan proporsi yang signifikan dari variasi pada variabel terikat (Y). Statistik F untuk menguji hipotesis nol bahwa semua koefisien regresi sama dengan nol melawan hipotesis altrenatif bahwa tidak semuanya sama dengan nol. Nilai statistik (F) dapat dirumuskan:

MASALAH DALAM ANALISIS REGRESI

Analisis regresi dapat menghadapi beberapa masalah yang serius yaitu:

· Multikolinearitas, mengacu pada situasi dimana dua atau lebih variabel penjelas dalam suatu regresi mempunyai korelasi yang tinggi.

· Heteroskedastisitas, hal ini timbul pada saat asumsi bahwa varians dari factor galat adalah konstan untuk semua nilai variabel bebas (Y) yang tidak dipenuhi.

· Otokorelasi dapat muncul karena adanya trend an siklus dalam variabel ekonomi, dari tidak dimasukkannya variabel yang paling dalam regresi, atau karena data non linier.

·

E. ESTIMASI PERMINTAAN DENGAN ANALISIS REGRESI

Estimasi permintaan dengan analisis regresi, terbagi atas 4 tahapan yaitu:

1. Spesifikasi Model

2. Mengumpulkan data dari variabel-variabel

3. Menspesifikasi bentuk persamaan permintaan

4. Menguji hasil ekonometri

DAFTAR FUSTAKA

Dominick Salvatore ( 2005 ) ; EKONOMI MANAJERIAL ; Salemba Empat , Jakarta.

By James L. Papas and Mark Hirschey (1995) ; Managerial Economics ; Binarupa Aksara, Jakarta.