TEKNIK PREDIKSI

Perencanaan pembangunan menyangkut dengan masa depan yang kondisinya belum

dapat diketahui sama sekali. Namun demikian, untuk keperluan penyusunan perencanaan
pembangunan yang baik dan terukur, masa depan tersebut perlu diperkirakan kondisinya agar
strategi dan kebijakan pembangunan dapat ditentukan secara lebih tepat dan terarah. Karena
itu, penyusunan proyeksi atau prediksi pembangunan menjadi sangat penting dan tidak dapat
dipisahkan dalam penyusunan sebuah rencana pembangunan. Sedangkan penyusunan
prediksi tersebut memerlukan teknik dan metode perhitungan tertentu yang masing-
masingnya mempunyai kekuatan dan kelemahan tersendiri.

A. Teknik Prediksi Trend

Prediksi dengan menggunakan Teknik Regresi Trend didasarkan pada sudut pandang
bahwa perkiraan masa datang akan sangat ditentukan oleh kondisi dan kenyataan yang terjadi
pada masa lalu. Bila kenyataan masa lalu menunjukkan bahwa perkembangan suatu aspek
pembangunan cukup cepat, maka prediksi masa datang juga akan menunjukkan
perkembangan dengan tendensi yang hampir bersamaan.
Teknik prediksi trend dapat dilakukan dalam dua bentuk:
1. Prediksi trend linier. Bila distribusi data yang digunakan ternyata tersebar dalam
bentuk garis lurus.
2. Prediksi trend non linier. Bila terjadi sebaliknya, yaitu data yang digunakan ternyata
terdistribusi dalam bentuk garis tidak lurus.
Penentuan distribusi data tersebut dapat dilakukan dengan jalan membuat grafik
distribusi data atau dengan jalan membandingkan uji statistic dari hasil kedua jenis regresi
trend tersebut.
Secara umum prediksi dengan teknik trend ini dapat ditempuh melalui dua tahap:
1. Tahap pertama, melakukan estimasi koefisien dengan menggunakan teknik regresi.
Setelah dilakukan penaksiran perlu diketahui dulu apakah hasil estimasi regresi
tersebut dapat digunakan dengan melihat kepada tingkat signifikansi dari hasil tes
statistic. Paling kurang ada 3 jenis tes statistic yang lazim digunakan, yaitu: t-Statistik,
F-Statistik, dan Coefisien Of Determination (R2).
2. Tahap kedua, melakukan perkiraan atau prediksi untuk masa datang sesuai dengan
jumlah periode waktu yang diinginkan dalam perencanaan, apakah 1 tahun, 5 tahun
untuk prediksi RPJM, atau 20 tahun untuk RPJP.
 Contoh prediksi terhadap PDRB Sumatera Barat berdasarkan harga konstan tahun
2000, selama periode 10 tahun yakni dari tahun 2002 sampai tahun 2011, data dalam Rp juta.
t= 22,276 + 1,833 t R2= 0,99 (11.1)
(35,952)
Dimana angka di dalam kurung adalah nilai t-Statistik dan R2 adalah koefisien
determinasi. Disini terlihat bahwa hasil estimasi yang diperoleh adalah mempunyai tingkat
signifikansi sangat tinggi (R2) yang mendekati angka 100. Ini berarti bahwa hasil estimasi
regresi ini cukup representative dan dapat digunakan dalam melakukan prediksi ke depan.
Karena regresi ini dilakukan dengan menggunakan data selama 10 tahun (2002-2011), maka
proyeksi akan dapat dilakukan untuk tahun 2012 (t=11), 2013 (t=12), 2014 (t=13), 2015
(t=14), dan 2016 (t=15) sebagai berikut:
11= 22,276 + 1,833 (11) = 42,439 untuk tahun 2012
12= 22,276 + 1,833 (12) = 44,272 untuk tahun 2013
13= 22,276 + 1,833 (13) = 46,105 untuk tahun 2014
14= 22,276 + 1,833 (14) = 47,938 untuk tahun 2015
15= 22,276 + 1,833 (15) = 49,771 untuk tahun 2016
Selanjutnya, jika regresi dilakukan dengan metode Non Linear (exponential), maka
prosedur untuk melakukan proyeksi juga sangat mirip. Dari data yang sama hasil regresi Non
Linear Trend diperoleh sebagai berikut:
Ln t = ln 3,150 + 0,057 t R2= 0,99
( 95,337)
Karena regresi dilakukan dalam persamaan logaritma, maka sebelum dilakukan
prediksi perlu ditarik antilog atau antiln terhadap koefisien regresi yang diperoleh, sehingga
persamaannya menjadi:
t = 23,336 (1,059) t R2= 0,99
(22,44)
Dengan demikian, prediksi untuk tahun 2012-2016 dapat dilakukan dengan cara yang
sama sebagai berikut:
11= 23,336 (1,059) 11 = 43,659 untuk tahun 2012
12= 23,336 (1,059) 12 = 46,218 untuk tahun 2013
13= 23,336 (1,059) 13 = 48,926 untuk tahun 2014
14= 23,336 (1,059) 14 = 51,793 untuk tahun 2015
15= 23,336 (1,059) 15 = 54,828 untuk tahun 2016
 Dari kedua metode di atas, tampak bahwa ada perbedaan nilai daei kedua hasil
prediksi tersebut. hal ini disebabkan karena perbedaan persamaan yang dijadikan sebagai
dasar perhitungan regresi. Untuk memilih hasil mana yang lebih baik secara statistic, dapat
dilakuakn dengan 2 cara berikut:
1. Sebelum melakukan estimasi gambarkan terlebih dahulu sebaran data, jika data
menyebar tidak beraturan maka kecenderungan trend adalah non linier, sedangkan
jika data menyebar secara beraturan maka kecenderungan trend adalah linier. Untuk
contoh ini dapat dilihat bahwa sebaran data cenderung beraturan sehingga sebaiknya
gunakan trend linier untuk prediksi.
2. Jika pola sebaran sulit untuk ditentukan apakah menyebar atau terpola secara khusus,
maka perlu dihitung standar deviasi dari nilai estimasi dari kedua bentuk trend selama
periode yang diamati. Kemudian pilihlah hasil perhitungan dengan standar deviasi
yang lebih kecil, agar bias prediksi juga dapat diminimalisasi.

B. Teknik Prediksi Sebab dan Akibat

Untuk mengatasi kelemahan yang terdapat pada teknik predikasi trend, muncul teknik
prediksi lain yang didasarkan pada hubungan sebab dan akibat dalam sebuah fungsi. Dalam
hal ini, prediksi masa datang didasarkan pada hubungan sebab dan akibat yang terjadi di
masa lalu. Dengan demikian, faktor yang.dijadikan sebagai dasar utama prediksi tidak lagi
hanya waktu tetapi oleh berbagai variable yang berkaitan erat dengan unsure yang akan
diprediksi.
Misalnya produksi padi ditentukan 3 faktor utama seperti penambahan luas areal
tanam, penggunaan pupuk, dan jumlah tenaga kerja yang dipakai. Sehingga didapatkan
formulasi:
p = + 1 L+ 2 I +
Dimana p adalah nilai produksi sector industry , L melambangkan jumlah tenaga
kerja digunakan, I adalah nilai investasi yang ditanamkan. Sedangkan , 1, dan 2 adalah
koefisien regresi dan adalah variable kemelestan. Sama halnya dengan teknik prediksi
trend, tahap pertama yang perlu dilakukan adalah menghitung estimasi regresi. Setelah hasil
regresi diperoleh, maka sebelum menggunakannya untuk melakukan prediksi, terlebih dahulu
perlu dilakukan pengetesan terhadap tingkat signifikansi dari hasil regresi tersebut.
Sebagai contoh, contoh perhitungan digunakan data industry Sumatera Barat selama
kurun waktu 10 tahun (1996-2005) dengan variable terikat adalah nilai produksi dan variable
bebas adalah jumlah tenaga dan nilai investasi. Hasil estimasi dengan model regresi linier
adalah:
t = 14.000.000 + 102,7 L + 0,91 I R2 = 0,64
(2,221) (0,159) Ftest= 2,47
Dari hasil estimasi di atas tampak bahwa variable investasi ternyata kurang
berpengaruh terhadap peningkatan nilai produksi. Hal ini diantaranya disebabkan oleh masih
belum efisiennya penggunaan dana investasi. Sehingga jika akan dilakukan prediksi variable
ini sebaiknya ditinjau ulang sebagai variable penentu.
Untuk dapat melakukan prediksi dengan Model Sebab-Akibat ini, diperlukan pula
melakukan proyeksi terhadap nilai dari masing-masing Independent Variabel selama periode
prediksi. Teknik proyeksi yang digunakan dapat dalam bentuk Regresi Trend Linier atau
Non-Linear. Menggunakan hasil proyeksi Independent Variabel ini, maka prediksi untuk 3
tahun ke depan (2008-2010) dapat dilakukan dengan memasukkan nilai estimasi trend ke
dalam persamaan regresi yang diperoleh.
Tahun Tenaga Kerja (L) dalam orang Investasi (I) dalam Rp. 000
2008 173.233 3.120.823
2009 174.931 3.417.677
2010 176.645 3.741.578
Pertumbuhan (%) 0,98 9,48

Sehingga didapatkan:
2008 = 14.000.000 + 102,7 (173.233) + 0,91 (3.120.823) = 34.630.974
2009 = 14.000.000 + 102,7 (174.931) + 0,91 (3.147.677) = 35.075.500
2010 = 14.000.000 + 102,7 (176.645) + 0,91 (3.741.578) = 35.546.258
Sama halnya dengan prediksi regresi trend, kualitas dari suatu hasil prediksi akan
sangat ditentukan seberapa jauh prediksi tersebut kemungkinan mengandung kemelesetan.
Namun demikian, kelemahan prediksi dengan teknik regresi trend dan sebab-akibat adalah
bilamana data yang digunakan ternyata berfluktuasi sangat tinggi dan tidak beraturan
sebagaimana pernah terjadi krisis ekonomi Indonesia tahun 1997-1999. Dalam hal ini, besar
kemungkinan hasil prediksi akan jauh dari kondisi riil yang terjadi kemudian karena prediksi
dengan metode trend didasarkan pada nilai sudut (slope) garis regresi yang kemungkinan
menimbulkan perkiraan yang berlebihan (over estimate). Karena itu, sebaiknya prediksi ini
sebaiknya digunakan bila fluktuasi data yang akan digunakan tidak terlalu besar dan bersifat
stabil.
 Di samping itu, untuk metode sebab-akibat ini perlu juga diperhatikan munculnya
masalah Serial Correlation, Multicollenarity, dan Heteroscedasticity. Untuk mendapatkan
hasil estimasi dan prediksi yang baik, maka ketiga masalah ini seharusnya tidak muncul. Hal
ini dikenal dengan istilah BLUE (Best Linier Unbiased Estimation). Namun demikian,
masalah Multicollenarity sangat sulit untuk dihindari karena viariabel-variabel ekonomi
sebenarnya tidak mungkin untuk benar-benar independen, sehingga kehadiran masalah
Multicollenarity masih dapat diterima jika tingkat korelasinya tidak terlalu besar.

C. Teknik Prediksi Rata-Rata Bergerak

Bila seandainya teknik prediksi trend dan model sebab dan akibat tidak dapat
memberikan hasil yang meyakinkan, dapat pula dipergunakan teknik yang lain yaitu metode
rata-rata bergerak (Moving Average). Teknik ini lazim digunakan bila fluktuasi data antar
waktu cukup tinggi sehingga penggunaan metode trend kurang dapat menggunakan hasil
yang logis dan cenderung tidak stabil. Karena itu diperlukan alternative teknik prediksi yang
lebih sesuai dengan kondisi data yang ada, yaitu teknik prediksi rata-rata bergerak.
Prediksi ini didasarkan pada nilai rata-rata beberapa tahun yang lalu kemudian
digerakkan ke muka untuk melakukan prediksi untuk periode waktu selanjutnya. Nilai rata-
rata tersebut dapat dilakukan untuk periode 3 atau 5 tahun tergantung dari tingkat
kemelesetan yang diperkirakan akan terjadi. Hasil prediksi dengan menggunakan teknik ini
akan cenderung menjadi lebih rendah dan stabil dibandingkan dengan teknik prediksi trend
yang didasarkan pada tingkat pertumbuhannya yang terjadi di masa lalu.
Formulasinya dapat dirumuskan sebagai berikut:
Ft = [(At-i) / w
Dimana Ft adalah nilai prediksi pada tahun t1 At-I adalah data actual rata-rata dari
beberapa tahun sebelumnya biasa 3 atau 5 tahun dan w adalah periode waktu rata-rata. Untuk
memperoleh prediksi yang lebih tepat, sebaiknya dilakukan prediksi dua kali baik untuk
periode waktu rata w = 3 dan w = 5. Kemudian hasilnya dipilih berdasarkan nilai koefisien
Root Mean Square Errors (RMSE) yang terkecil di antara keduanya.
Sebagai contoh perhitungan dengan menggunakan data PDRB Provinsi Sumatera
Barat tahun 2007-2011 dengan harga konstan. Sehingga dapat dihitung prediksi 5 tahun ke
depan dengan menggunakan metode rata-rata bergerak.
 Tahun Data PDRB (dalam miliar) Prediksi PDRB (dalam miliar)
2007 32.915
2008 35.177
2009 36.683
2010 38.860
2011 41.276
2012 36.982
2013 37.797
2014 38.320
2015 38.647

Namun demikian, kelemahan teknik ini adalah karena metode ini memberikan
penimbang rata-rata yang sama dalam menghitung nilai rata-rata untuk setiap observasi.
Sedangkan kenyataan menunjukkan bahwa data-data untuk beberapa tahun terakhir akan
lebih menentukan nilai prediksi di masa mendatang. Untuk mengatasi kelemahan ini, muncul
teknik yang lebih baik yang dinamakan sebagai Exponential Smoothing:
Ft + I = w At + (I-w) Ft
Dimana Ft + I adalah nilai prediksi untuk satu periode mendatang. A adalah data pada periode
1, Ft prediksi pada periode t dan w adalah periode waktu rata-rata.
Ft = 27.735 dan w= 0,5, maka nilai prediksi adalah:
F2 = 0,5 (41.276) + (1-0,5) (36.982) = 39.129
F3 = 0,5 (41.276) + (1-0,5) (37.797) = 39.537

D. Teknik Prediksi Dekomposisi

Kenyataan menunjukkan bahwa dalam melakukan prediksi dengan menggunakan

metode trend (Time Series) dalam jangka panjang sering kali data yang dipakai mengandung
variasi musim (Seasonal Variation) dan fluktuasi siklus (Cyclical Fluctuation) yang cukup
besar. Disamping itu, variasi musim dan fluktuasi siklus ini terjadi secara berulang ulang
dalam periode waktu tertentu. Karena itu, dalam melakukan prediksi yang lebih tepat, kedua
unsur variasi dan fluktuasi ini perlu dipertimbangkan secara eksplisit dalam model yang akan
digunakan.
Model prediksi yang dapat memasukkan secara eksplisit aspek variasi musim dan
fluktuasi siklus adalah Metode Dekomposisi (Decomposition Method) sebagaimana yang
dijelaskan dalam Makridakis dan Wheelwright (1978) serta Gaynor dan Kirkpatrick (1994).
Secara umum prinsip metode Dekomposisi dapat ditampilkan secara fungsional sebagai
berikut:
= ( , , , )

Dan diprediksi terhadap nilai = ( , , ), dimana :

Trt = analisis trend
Snt = variasi musim
Clt = fluktuasi siklus usaha yang semuanya berubah menurut waktu
Pada dasarnya teknik Time series dapat dikelompokkan atas dua yaitu:
1. Additive Model
Pada Additive Model diasumsikan data pada waktu tertentu merupakan penjumlahan
dari komponen berikut ini: = , , ,
Jika data yang digunakan tidak mengandung salah satu komponen tersebut maka
nilainya menjadi nol. Dalam Additive Model ini, unsur variasi musim dan siklus usaha adalah
bebas terhadap unsur trend sehingga perubahannya bersifat konstan.
Prediksi dengan menggunakan Metode Dekomposisi dapat dilakukan melalui beberapa
tahap, yaitu : Tahap pertama menghitung Centered Moving Average (CMA) dari L yang
merupakan jumlah musim dalam satu tahun. CMA dihitung dengan cara :
CMAt = trend + siklus
Tahap kedua, kurangkan CMAt = (Trt + Clt) dari data dan selisihnya adalah sama
dengan variasi musim yaitu Snt + , yaitu:
(Trt + Snt + Clt + ) (Trt + Cl) = Snt +
Tahap ketiga, hilangkan unsur kesalahan ( ) dari Snt + dengan jalan mengurangi
nilai rata rata untuk setiap musim. Setelah nilai rata rata diperoleh, kurangkan dari nilai
Snt + di atas dan diperoleh nilai Snt. Tahap keempat, hilangkan pengaruh musim dari data
dengan jalan mengurangi data tersebut dengan perkiraan nilai perubahan musim (Snt)
diperoleh pada tahap ketiga :
dt = Yt - Snt
Tahap kelima, lakukan kembali regresi dengan menggunakan data yang telah
dikoreksi dengan pengaruh musim sebagaimana telah dilakukan pada tahap keempat. Hasil
dari regresi ini akan meghasilkan estimasi persamaan yang telah bebas dari pengaruh musim
(Seasonal Variation). Berdasaran kelima tahap tersebut, maka prediksi dengan Metode
Dekomposisi dengan Additives Model dapat dilakukan dengan persamaan berikut:
= 6 , 6 , 6
 Belum terdapat formula khusus untuk menentukan interval yang dapat ditolerir dari
prediksi pada model ini. Namun, secara intuitif, interval tersebut dapat ditentukan
berdasarkan standar error dari model regresi trend pada model yang sudah memperhitungkan
pengurus variasi musim. Dengan demikian interval dari prediksi Yt dapat dihitung dengan:
Yt + t/2 se (faktor koreksi)
Dimana Se adalah standar error dari estimasi (MSE) dari regresi trend yang memenuhi
syarat di mana faktor koreksi adalah:
1 ( )2
Faktor koreksi = 1 + + ()2
2

2. Multiplicative Model
Model ini sering disebut juga Ratio to Trend Method, diasumsikan sebagai berikut: Yt
adalah gabungan dari berbagai unsur termasuk faktor kesalahan (error) yang bersifat random
dan unsur musim untuk setiap tahunnya adalah sama. Langkah langkah yang perlu
ditempuh dalam melakukan proses perhitungan adalah sama dengan Additive Model.
Perbedaan terletak pada perhitungan tahap akhir, dimana prediksi nilai Yt adalah perkalian
antara Trt (Snt) (CIt) atau Tr6 (Sn6) (CI6).

E. Teknik Prediksi ARMA

Istilah ARMA merupakan singkatan dari dua metode statistik yaitu Autorregressive
Moving Average. Metode autoregressive (AR) pada dasarnya adalah sama dengan Metode
trend (Time Series), dimana prediksi didasarkan pada tingkat pertumbuhan (Slope dari Garis
Regresi). Namun terdapat sedikit perbedaan yaitu Autoregressive Model tidak
memformulasikan persamaan dengan fungsi waktu, tetapi dalam bentuk persamaan dengan
menggunakan time lack pada masing masing data. Dengan demikian model
persamaannya adalah sebagai berikut:
Yt = + 1Yt-1 + 2Yt-2 + ......... + kYt-k + t
Dimana, Yt adalah data variabel tertentu pada tahun t. Secara sistematis, model ini
dapat digabungkan dengan Model Moving Average untuk menghasilkan model baru ARMA
yang dapat memberikan hasil prediksi masa datang yang lebih tepat dari metode sebelumnya.
Secara teknik statistik, model ARMA merupakan kombinasi fungsi linier dari observasi tahun
sebelumnya dengan faktor kesalahan (error) periode sekarang dan masa yang akan datang.
Maka, model ARMA dapat ditulis sebagai berikut:
Zt = + 1Zt-1 + 2Zt-2 + ......... + t 1t-1 2t-2
 Dimana, Zt adalah variabel Yt yang sudah stationer, sedangkan , , dan adalah
kontanta. Variabel Zt dikatakan stationer bilamana penjumlahan dari koefisien
Autoregressive model selalu kurang dari 1, yaitu:
1 + 2 + ......... t < 1

F. Teknik Pertumbuhan Ekonomi Harrod Domar

Unsur penentu utama pertumbuhan ekonomi adalah investasi (I) dan teknologi yang
digunakan dalam melakukan kegiatan produksi. Jenis teknologi yangg digunakan tercemin
dari nilai koefisien ICOR (Inremental Capital Output Ratio) yang digunakan pada daerah
atau negara bersangkutan.
Mengikuti formula sebagaimana disarikan oleh Todaro (2000), maka model Harrod-
Domar dapat disimpulkan tingkat pertumbuhan yang stabil (Warranted rate of Growth) dapat
ditentukan melalui formula berikut:
Y/Y = s/k
Dimana, Y adalah PDB pada tingkat nasional atau PDRB pada tingkat daerah, s = S/Y
yaitu Marginal Propensity to Save (MPS) dan k = K/Y yaitu Incremental Capital output
Ratio (ICOR). Persamaan diatas menyatakan bahwa laju pertumbuhan yang stabil ditentukan
oleh rasio antara kehendak untuk menabung (MPS) dengan besarnya kebutuhan terhadap
kapital untuk menghasilkan satu unit output (ICOR). Selain itu, formula tersebut dapat
digunakan sebagai formula untuk melakukan prediksi pertumbuhan ekonomi yang
direncanakan.
Contoh:
Data yang tersedia menunjukkan bahwa tingkat MPS rata rata adalah 0,20 setiap
tahunnya, sedangkan ICOR adalah 3, maka dengan memasukkan pada persamaan tersebut
diperoleh prediksi pertumbuhan ekonomi yang sebaiknya adalah:
Y/Y = s/k = 0,20/3 = 6%
Perhitungan tingkat pertumbuhan yang stabil ini memberikan implikasi bahwa
bilamana tingkat pertumbuhan yang dapat direalisasikan berada di bwah tingkat ini karena
keterbatasan dana investasi, maka besar kemungkinan tingkat pengangguran akan meningkat.
Hal ini terjadi karena tambahan lapangan kerja yang didorong oleh pertumbuhan ekonomi
diperkirakan akan tidak dapat mengimbangi pertumbuhan jumlah pencari kerja. Sebaliknya
bilamana laju pertumbuhan yang dapat direalisasikan ternyata lebih besar, maka pemerintah
harus bersiap siap untuk menghadapi kemungkinan kenaikan tingkat inflasi. Hal ini terjadi
karena pertambahan jumlah uang beredar yang didorong oleh peningkatan investasi tidak
dapat mengimbangi pertumbuhan produksi yang masih relatif rendah.
Teknik prediksi pertumbuhan ekonomi dan kebutuhan investasi berdasarkan model
Harrod Domar ini mengandung kelemahan karena investasi dianggap satu-satuya variabel
penentu pertumbuhan ekonomi. Padahal tenaga kerja juga merupakan variabel lainnya yang
ikut mempengaruhi pertumbuhan ekonomi suatu negara atau daerah.