Penetapan Target RPJPD: Mengorbankan "Akurasi" demi Kemudahan Pemahaman

Gambar Perbedaan penentuan target dengan cara sederhana dan dengan cara CAGR (Sumber Dok pribadi)

Nilai R2 atau Koefisien Determinasi pada model regresi memberikan gambaran tentang seberapa baik model tersebut menjelaskan variabilitas dalam data.

1. Target Penambahan atau pengurangan Per periodenya:
   • Rumus ini mengasumsikan pengurangan linier yang konstan setiap periode.
   • Model regresi Y = B0 + B1.X dengan R kuadrat = 1 berarti model ini sempurna menjelaskan semua variabilitas dalam data. Ini logis, karena mengasumsikan pengurangan linier yang tidak berubah, yang cocok dengan data linier.
2. CAGR:
   • CAGR mengasumsikan penurunan komposit yang bisa berubah setiap periodenya
   • Dalam model regresi, variabilitas penurunan yang berubah setiap periode dapat menyebabkan model tidak sesuai secara linier sempurna dengan data.
   • Akibatnya, nilai R kuadrat mungkin tidak mencapai 1 karena model tidak dapat sepenuhnya menjelaskan semua variabilitas dalam data yang tidak linier sempurna.

Jadi, perbedaan dalam nilai R kuadrat antara dua model tersebut menunjukkan bahwa model linier sederhana (Target Pengurangan Per Periode) lebih cocok dengan data linier, sementara CAGR, yang memperhitungkan penurunan komposit, tidak sepenuhnya sesuai dengan model linier sehingga nilai R kuadratnya lebih rendah.

Artinya model linear karena nilai R Kuadratnya 1, menunjukkan tidak ada lagi faktor lainnya yang perlu diperhitungkan, sementara CAGR masa ada faktor lainnya yang menentukan yang perlu dimanfaatkan. Mana lebih baik, tidak ada lagi faktor lainnya atau ada faktor lainnya? 

DISKUSI

Pertanyaannya apakah untuk penentuan target AKI sesuai konteks untuk cara pertama atau cara kedua? Keputusan mengenai mana yang lebih baik antara model linier dan model dengan banyak faktor tergantung pada konteks dan tujuan analisis.

1. Model Linier (R kuadrat = 1):
   • Kelebihan: Sederhana, mudah dimengerti, dan dapat dengan jelas menunjukkan hubungan langsung antara dua variabel.
   • Kekurangan: Mungkin terlalu sederhana dan mengabaikan faktor-faktor lain yang sebenarnya mempengaruhi pengurangan. Ini bisa menyebabkan kesimpulan yang kurang akurat jika ada variabilitas yang tidak dijelaskan.
2. Model dengan Banyak Faktor (CAGR):
   • Kelebihan: Lebih kompleks dan realistis karena mempertimbangkan bahwa penurunan mungkin tidak linier dan ada faktor-faktor lain yang berpengaruh. Ini dapat memberikan gambaran yang lebih akurat tentang kondisi nyata.
   • Kekurangan: Lebih rumit dan mungkin memerlukan lebih banyak data dan analisis untuk menentukan semua faktor yang relevan. Nilai R kuadrat yang lebih rendah menunjukkan bahwa model ini tidak menjelaskan semua variabilitas, tetapi bisa jadi ini lebih mencerminkan realitas yang kompleks.

Jika tujuan penentuan target AKI hanya untuk mendapatkan pemahaman sederhana dan langsung tentang hubungan dua variabel, model linier mungkin cukup. Namun, jika ingin mendapatkan gambaran yang lebih akurat dan realistis tentang penurunan AKI yang mungkin dipengaruhi oleh banyak faktor, model dengan banyak faktor seperti CAGR lebih baik.

Pada akhirnya, pilihan terbaik tergantung pada kebutuhan spesifik analisis tim dan seberapa detail serta akurat informasi yang butuhkan Penurunan AKI. Target lebih akurat dan realistik adalah cocok dengan rumus CAGR, tapi karena agak sedikit sulit untuk dimengerti oleh tim, dan diputuskan dengan menggunakan cara sederhana, walaupun itu tidak sesuai konteks, dapat diterima keputusan itu.

Memang, ada situasi di mana penggunaan model yang lebih sederhana dapat memudahkan pemahaman, terutama ketika pembaca tidak terlalu akrab dengan konsep matematis yang lebih kompleks seperti CAGR. Namun, penting untuk menyeimbangkan antara keakuratan dan kemudahan pemahaman, seharusnya tidak perlu mengorbankan akurasi demi kemudahan pemahaman. 

Padahal metode sederhana bisa menyebabkan target capaian akhir menjadi tidak realistis, terutama jika ada fluktuasi yang signifikan atau kinerja di bawah target pada periode tertentu.

CAGR memberikan gambaran lebih jelas tentang pertumbuhan atau penurunan per periodenya yang diperlukan dan memperhitungkan hasil capaian sebelumnya. Dengan menggunakan CAGR, bisa melihat apakah pertumbuhan atau penurunan yang diharapkan mungkin tercapai atau tidak berdasarkan kinerja yang sebenarnya. 

Jika dalam dua periode pertama hasilnya terlihat di bawah target, CAGR akan menunjukkan bahwa target akhir mungkin tidak akan tercapai tanpa ada perubahan signifikan dalam strategi atau usaha. Menggunakan CAGR membantu mengatur ekspektasi dan menetapkan target yang lebih realistis dengan menyesuaikan berdasarkan capaian sebelumnya, sehingga perencanaan ke depan menjadi lebih akurat dan dapat diandalkan.