Beberapa Konsep Dasar dalam Prakiraan Bisnis (1)

by Penulis Palontaraq | Kamis, Nov 7, 2019 | 16 views
Prakiraan Bisnis. (foto: ist/palontaraq)

Prakiraan Bisnis. (foto: ist/palontaraq)

Oleh: Muhammad Farid Wajdi

PALONTARAQ.ID – Prakiraan Bisnis adalah salah satu mata kuliah pilihan dalam Program Pascasarjana Manajemen. Bagaimana melakukan Prakiraan Bisnis? Tentu hal ini sangat bergantung pada analisis data yang ada, baik secara kuantitatif maupun kualitatif.

Penggunaan Metode Kuantitatif, yaitu dengan menganalisis serangkaian data yang merupakan fungsi dari waktu, atau mengasumsikan variabel yang diramalkan menunjukkan adanya hubungan sebab akibat dengan satu atau beberapa variabel bebas (independent variable).

Secara aplikatif, dapat menggunakan Model Seri Waktu (Metode deret berkala) atau dengan Metode kausal (causal/explanatory model). Pada akhirnya, metode regresi yang nantinya digunakan didasarkan kepada variabel yang ada dan yang akan mempengaruhi hasil prakiraan.

Karena itu, sangat penting untuk mengetahui terlebih dahulu mengetahui kondisi- kondisi seperti Adanya informasi masa lalu, Informasi yang ada dapat dibuatkan dalam bentuk data (dikuantifikasikan), serta diasumsikan bahwa pola data yang ada dari data masa lalu akan berkelanjutan dimasa yang akan datang.

Adapun data- data yang ada dilapangan dapat berupa data Musiman (Seasonal), Horizontal (Stationary), Siklus (Cylikal), ataupun Trend. Analisis yang dapat digunakan bisa Analisis deret waktu(Time series) atau Analisis Cross Section atau sebab akibat (Causal method).

Ada dua pendekatan yang bisa digunakan dengan metode regresi sederhana, yaitu Analisis deret waktu untuk regresi sederhana linier dan Analisis deret untuk regresi sederhana yang non linier. Untuk menjelaskan hubungan kedua metode ini kita gunakan notasi matematis seperti Y = F (x)

Persamaan diatas, dimana Y = Dependent variable (variabel yang dicari), X = Independent variable (variabel yang mempengaruhinya).

Notasi regresi sederhana dengan menggunakan regresi linier (garis lurus) dapat digunakan sebagai berikut: Y = a + b x dimana a dan b adalah merupakan parameter yang harus dicari.

Beberapa konsep dasar dalam Prakiraan Bisnis yang harus dipahami terlebih dahulu, adalah:

a. Non-sampling error merupakan ketidak-tepatan hasil sampling yang tidak dapat diukur dan dihitung, sehingga dalam pelaksaaannya non sampling error sulit dihindari dan dalam menghadapinya bersifat subyektif.

Non sampling error ini cenderung terjadi akibat kesalahan manusia (human error). Non sampling error ini dapat terjadi pada setiap bagian penelitian, mulai dari penentuan masalah, desain penelitian, hingga penarikan kesimpulan.

Non sampling error terjadi bukan diakibatkan dari penarikan sampel saja, namun karena error yang terjadi selama proses penelitian itu dan bersumber dari kesalahan-kesalahan yang baik disengaja maupun tidak disengaja dari peneliti itu sendiri.

b. Otokorelasi (Autokorelasi) dikenal sebagai korelasi serial, maksudnya adalah korelasi antara serial data atau antara data sebelum dengan data sesudahnya dalam data yang disusun berdasarkan urutan waktu (time series).

Dalam data yang disusun secara cross section (bukan berdasarkan waktu), maka autokorelasi sebetulnya tidak relevan.

Pada data yang disusun secara cross section, autokorelasi hanya indikasi dari keterkatitan antara satu subjek penelitian dengan penelitian lainnya. Atau dapat juga dikatakan sebagai kemiripian antara satu obsevasi dengan observasi lainnya.

Secara matematika, autokorelasi dapat membaca pola yang berulang dari data. hal tersebut menunjukkan adanya pengaruh waktu terhadap variabel respon.

Contohnya pada perubahan harga emas, semakin lama cenderung naik, artinya terdapat pengaruh waktu atau autokorelasi pada perubahan harga emas.

Autokorelasi dibagi menjadi dua yaitu autokorelasi positif dan autokorelasi negatif. seperti kita ketahui bahwa masalah autokorelasi ini merupakan masalah error, maka kedua jenis autokorelasi di atas juga akan terkait masalah error.

Autokorelasi positif adalah autokorelasi dimana error yang selalu diikuti oleh error yang sama tandanya. misalnya ketika satu periode sebelumnya positif maka error berikutnya akan positif.

Sebaliknya autokorelasi negatif menyebabkan error akan diikuti oleh error yang berbeda tanda. misalnya ketika errornya positif maka akan diikuti oleh error negatif pada periode selanjutnya.

Dalam analisis regresi yang menggunakan data time series atau data yang disusun berdasarkan runtun waktu, autokorelasi merupakan syarat utama model regresi agar tidak bias.

Autokorelasi merupakan salah satu masalah error. Error ini biasanya disebut dengan error terms dalam ekonometrik.

Autokorelasi merupakan pelanggaran atas asumsi model OLS (Ordinary Least Square) dimana mensyaratkan bahwa tidak ada korelais antara error/residual.

Lalu apa efeknya terhadap model jika asumsi ini dilanggar? Tentu yang paling terdampak adalah nilai standard error akan cenderung lebih kecil dari seharusnya.

Memang kenapa jika standard error diestimasi lebih kecil? Tentu akan menyebabkan nilai t hitung membesar dari seharusnya. Pada gilirannya model menjadi overestimated.

Secara tradisional, cara untuk menguji ada tidaknya autokorelasi adalah melalui ukuran statistik yang disebut Durbin Watson.

Cara mengetahui nilai durbin watson dari model tertentu tidaklah susah. Dalam software statistik SPSS sudah tersedia menu untuk mengeluarkan angka durbin watson-nya.

Nilai durbin watson tersebut tinggal dibandingkan dengan rentang norma durbin watson yang masih bisa ditolerasi. Uji lain yang tersedia adalah dengan menggunakan uji Breusch-Godfrey. Hanya saja uji ini hanya tarsedia di software Eviews.

Selain cara di atas, sebetulnya terdapat cara yang sederhana untuk mendeteksi apakah terdapat autokorelasi atau tidak. Cara tersebut adalah dengan menggunakan grafik plot error atau residual.

Caranya mudah, pertama kita running model regresi Y = a + b1X1 +b2X2… Kemudian diperoleh nilai residualnya. Nilai tersebut kita buat plot dengan sumbu horizontal adalah waktu dan sumbu vertikal adalah nilai residual.

Jika grafik tersebut membentuk pola tertentu maka artinya terdapat pola yang sistematis atau terdapat korelasi antara error. Hal ini menunjukkan adanya gejala autokorelasi yang harus ditanggulangi.

Jika setiap angka error atau residual diikuti oleh residual pada periode berikutnya dengan tanda yang sama maka kemungkinan adanya autokorelasi positif.

Salah satu cara untuk mengatasi autokorelasi adalah dengan membuat model GLS (Generalized Linear Square). Prinsip dari model GLS adalah menghilangkan efek korelasi time series dengan cara mentrasformasi model menjadi model GLS.

Model GLS adalah model dengan selisih antara data pada periode t dikurang periode t-1 yang dikalikan dengan nilai Rho. Nilai Rho dianggap sebagai representasi autokorelasi.

 

Bersambung …..

 

(* Muhammad Farid Wajdi, Mahasiswa Pascasarjana Manajemen, Manajemen Sumber Daya Manusia (MSDM), Universitas Patria Artha (UPA), Makassar.

Like it? Share it!

Leave A Response