Model Ekonometrika Regresi Linier Sederhana (Ordinary Least Squares - OLS)
Statistik Murni
Metode OLS berjangkar (*Anchored Point-Slope*) menarik garis tren pertumbuhan yang meminimalkan kuadrat deviasi namun titik awalnya dipaksa berangkat persis dari realisasi tahun 2025 agar proyeksi menjamin keberlanjutan tren tanpa terputus secara tidak logis.
Formulasi Matematis Berjangkar:
$$b = \frac{n\sum(XY) - \sum X\sum Y}{n\sum(X^2) - (\sum X)^2} \quad \text{; di mana } b \text{ adalah slope tren historis.}$$
$$\text{Target}_{T} = \text{Nilai}_{2025} + \left( b \times (T - 2025) \right)$$
Kelebihan (Pros):
- Objektif dan bebas dari bias interpretasi subjektif analis.
- Menjamin bahwa proyeksi 2026 selalu melanjutkan tren (naik/turun) bertolak dari fakta realisasi 2025.
Kekurangan (Cons):
- Sangat sensitif jika terjadi anomali luar biasa ekstrim (*outlier spike*) pada satu tahun spesifik di masa lalu.
Model Ekonometrika Regresi Log-Linear (Semilog OLS)
Estimasi Eksponensial
Metode ini mengubah variabel dependen menjadi logaritma natural ($\ln(Y)$) sebelum mengestimasi garis tren OLS, kemudian diproyeksikan dengan tumpuan awal tahun 2025. Metode ini sangat cocok untuk mengasumsikan pertumbuhan majemuk konstan.
Formulasi Matematis Berjangkar:
$$\text{Cari Slope } (b) \text{ dari data } \ln(Y)$$
$$\text{Target}_{T} = \text{Nilai}_{2025} \times e^{b \times (T - 2025)}$$
Kelebihan (Pros):
- Sangat cocok untuk data yang tumbuh secara multiplikatif alami.
- Menghilangkan variasi fluktuatif data berskala besar (*heteroscedasticity-robust*).
Kekurangan (Cons):
- Jika tidak dikalibrasi, proyeksi jangka panjang dapat melambung terlalu tinggi (eksponensial).
Compound Annual Growth Rate (CAGR)
Pertumbuhan Geometris
CAGR mengasumsikan pertumbuhan berjalan laksana bunga majemuk geometris dari tahun awal penelitian ke tahun akhir, meratakan seluruh gejolak fluktuasi tahunan di tengah periode.
Formulasi Matematis:
$$\text{CAGR} = \left( \frac{\text{Nilai}_{Akhir}}{\text{Nilai}_{Awal}} \right)^{\frac{1}{n}} - 1$$
$$\text{Target}_T = \text{Nilai}_{Akhir} \times (1 + \text{CAGR})^{\Delta t}$$
Kelebihan (Pros):
- Mampu meredam volatilitas aneh yang terjadi di tahun-tahun tengah pengamatan.
- Mudah dipahami oleh pengambil kebijakan.
Kekurangan (Cons):
- Hanya melihat titik ujung awal dan ujung akhir data, mengabaikan realitas di tengah.
Model Estimasi Laju Rata-Rata Pertumbuhan Tahunan (Arithmetic Mean YoY Growth)
Statistik Aritmatika
Metode ini mengalkulasi persentase pertumbuhan tahun-ke-tahun (YoY) untuk masing-masing periode historis, lalu mencari rata-rata aritmatika sederhananya untuk dijadikan asumsi laju kenaikan masa depan.
Formulasi Matematis:
$$g_t = \frac{\text{Nilai}_t - \text{Nilai}_{t-1}}{\text{Nilai}_{t-1}}$$
$$\bar{g} = \frac{\sum_{t=1}^{k} g_t}{k}$$
Kelebihan (Pros):
- Sangat sensitif terhadap perubahan taktis tahunan.
- Bagus dalam menangkap elastisitas pemulihan (*recovery speed*).
Kekurangan (Cons):
- Sangat rentan jika terdapat lonjakan ekstrim pada satu tahun tunggal.
Buku Panduan & Referensi Formulasi Perhitungan Model SiAINK
Panduan Defensif Metodologi
Bagian ini menyajikan secara transparan seluruh rumus matematika, pembuktian aljabar, dan justifikasi kebijakan yang berjalan di balik layar dashboard SiAINK. Dokumen ini dapat digunakan oleh tim perencana Bapenda sebagai naskah rujukan akademik saat menghadapi audit perencanaan atau pemaparan eksekutif.
Sistem SiAINK dirancang untuk secara absolut mematuhi data yang Anda masukkan pada jendela Koreksi Data Historis. Seluruh angka rupiah dan KBM yang diinputkan akan diserap bulat-bulat sebagai pondasi dasar perhitungan mesin ekonometrika tanpa adanya pemotongan algoritma tersembunyi.
Simulasi PKB menggunakan intervensi rasio administratif ketaatan WP (hasil kerja keras penagihan/layanan Bapenda). Laju pertumbuhan alamiah sudah otomatis dihitung oleh model tren matematika, sehingga variabel intervensi ini cukup berinteraksi secara multiplikatif terhadap baseline proyeksi.
Rumus Multiplier Ketaatan PKB:
$$\text{Pendapatan PKB Simulasi}_t = \text{Proyeksi Awal}_t \times M_{\text{Ketaatan}}$$
$$\text{Di mana:}$$
$$M_{\text{Ketaatan}} = \frac{\text{Rasio Ketaatan Target (Slider)}}{\text{Rasio Ketaatan Historis Baseline}} \quad \left( \text{R2 Baseline} = 73,45\% \ ; \ \text{R4 Baseline} = 80,03\% \right)$$
Proyeksi matematika murni (terutama CAGR) cenderung menghasilkan proyeksi pertumbuhan eksponensial yang tidak realistis jika melebihi daya tampung wilayah. Kalibrasi organik membatasi laju tersebut dengan rata-rata kapasitas riil transaksi otomotif tahunan di Jawa Barat.
Formulasi Bobot Kalibrasi (50% Matematis + 50% Organik):
$$Y_{\text{Kalibrasi}, t} = (Y_{\text{Matematis murni}, t} \times 0.5) + (Y_{\text{Organik}, t} \times 0.5)$$
$$\text{Di mana Asumsi Penambahan Kapasitas Organik Tahunan Jabar Adalah:}$$
$$Y_{\text{Organik R2}, t} = Y_{\text{R2}, 2025} + (t - 2025) \times \text{Rp 35 Miliar (Volume: } +15.000 \text; \text{ Unit/tahun)}$$
$$Y_{\text{Organik R4}, t} = Y_{\text{R4}, 2025} + (t - 2025) \times \text{Rp 65 Miliar (Volume: } +1.500 \text; \text{ Unit/tahun)}$$
Pertanyaan Pimpinan: "Kenapa angka prognosis akhir tahun 2026 bernilai persis sama antara metode OLS, CAGR, dan YoY saat run-rate aktif?"
Jawaban Defensif Akademis: "Karena secara aljabar, target tahunan awal ($T$) yang dihitung oleh masing-masing metode dieliminasi secara sempurna dari rumus oleh pembagian faktor deviasi bulanan. Nilai akhir murni hanya dipengaruhi oleh Realisasi Berjalan dibagi Bobot Musiman kumulatif."
Langkah Pembuktian Matematis:
1. Definisikan Outlook s.d bulan berjalan ($k$):
$$\text{Outlook}_{2026} = \sum_{m=1}^{k} \text{Realisasi}_m + \sum_{m=k+1}^{12} \left[ \text{Target Awal}_m \times (1 + \text{Deviasi}) \right]$$
2. Di mana target bulanan awal adalah porsi bobot musiman ($w$) terhadap proyeksi tahunan murni ($T$):
$$\text{Target Awal}_m = T \times w_m \quad \implies \quad \sum_{m=1}^{k} \text{Target Awal}_m = T \times \sum_{m=1}^{k} w_m$$
3. Faktor deviasi dihitung dari pencapaian riil kumulatif dibanding target awalnya:
$$1 + \text{Deviasi} = \frac{\sum_{m=1}^{k} \text{Realisasi}_m}{\sum_{m=1}^{k} \text{Target Awal}_m} = \frac{\text{Realisasi Berjalan}}{T \times \sum_{m=1}^{k} w_m}$$
4. Substitusikan kembali ke rumus Outlook sisa bulan berjalan ($m = k+1 \text{ s.d } 12$):
$$\text{Outlook Sisa Bulan} = \left( T \times \sum_{m=k+1}^{12} w_m \right) \times \left( \frac{\text{Realisasi Berjalan}}{T \times \sum_{m=1}^{k} w_m} \right)$$
5. Perhatikan bahwa variabel proyeksi awal ($T$) saling meniadakan karena berada di pembilang dan penyebut:
$$\text{Outlook Sisa Bulan} = \text{Realisasi Berjalan} \times \frac{\sum_{m=k+1}^{12} w_m}{\sum_{m=1}^{k} w_m}$$
6. Gabungkan kembali dengan Realisasi Berjalan untuk memperoleh total Outlook 12 bulan penuh:
$$\text{Outlook 12 Bulan} = \text{Realisasi Berjalan} + \left( \text{Realisasi Berjalan} \times \frac{1 - \sum_{m=1}^{k} w_m}{\sum_{m=1}^{k} w_m} \right)$$
$$\text{Outlook 12 Bulan} = \frac{\text{Realisasi Berjalan}}{\sum_{m=1}^{k} w_m}$$
Q.E.D. (Quod Erat Demonstrandum): Nilai akhir prognosis 2026 terbukti independen terhadap metode tren yang dipilih (T tereliminasi). Hal ini membuktikan bahwa rumusan kita bekerja secara objektif mendasarkan akhir tahun pada run-rate kinerja riil di lapangan.