analisis peramalan penerimaan pajak kendaraan bermotor … · 2017. 7. 12. · analisis peramalan...
TRANSCRIPT
-
Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor
dengan Metode Autoregressive Integrated Moving Average
(ARIMA)
(Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah
Provinsi Jawa Tengah)
Artikel Ilmiah
Peneliti :
Auditya Gianina Bernadine Amaheka (682009021)
Michael Bezaleel Wenas, S.Kom., M.Cs.
Program Studi Sistem Informasi
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Februari 2016
-
Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor
dengan Metode Autoregressive Integrated Moving Average
(ARIMA)
(Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah
Provinsi Jawa Tengah)
Artikel Ilmiah
Diajukan kepada
Fakultas Teknologi Informasi
Untuk memperoleh Gelar Sarjana Komputer
Peneliti :
Auditya Gianina Bernadine Amaheka (682009021)
Michael Bezaleel Wenas, S.Kom., M.Cs.
Program Studi Sistem Informasi
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Salatiga
Februari 2016
-
Analisis Peramalan Penerimaan Pajak Kendaraan
Bermotor dengan Metode Autoregressive Integrated Moving
Average (ARIMA)
(Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset
Daerah Provinsi Jawa Tengah)
1)
Auditya Gianina Bernadine Amaheka, 2)
Michael Bezaleel
Program Studi Sistem Informasi
Fakultas Teknologi Informasi
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60 Salatiga
Email : 1)
Abstract
The main financial resource of a region comes from regional taxes which will be
used for the development in that particular region. However, the government’s current
policies regarding to the regional tax have a tendency to create fluctuations on the
regional tax income. This recurring condition leads to the disproportion development
over a region. The biggest source income in a region comes from vehicle taxes. The
accurate calculation of vehicle taxes will bring benefits to support the government’s
objectives. The tax income might be increased or decreased. Therefore, the estimation of
the tax income in the subsequent period is necessary. Hence, this research is aimed to
estimate the vehicle tax in Central Java Province for the subsequent period using
autoregressive integrated moving average (ARIMA) method. The research outcome
shows that ARIMA ( 1,1,1 )(1,0,0)12
is the best model to estimate the tax income in
Central Java Province up to the next four periods.
Key words: regional tax, vehicle tax, autoregressive integrated moving average (ARIMA)
Abstrak
Sumber utama pendapatan daerah adalah pajak daerah yang nantinya akan
digunakan untuk pembangunan daerah. Kesalahan yang sering terjadi adalah kurang
tepatnya pemerintah dalam memenuhi kebutuhan masyarakat karena pendapatan pajak
daerah yang selalu berubah-ubah, sehingga pembangunan terjadi tidak merata. Sumber
pendapatan terbesar suatu daerah adalah pajak kendaraan bermotor, perhitungan pajak
kendaraan bermotor yang baik dapat mendukung tercapainya suatu tujuan yang telah
ditetapkan oleh pemerintah. Jumlah pendapatan pajak akan semakin meningkat atau dapat
sebaliknya, untuk itu diperlukan ada peramalan terhadap pendapatan pajak kendaraan
bermotor pada periode selanjutnya. Oleh sebab itu, penelitian ini bertujuan untuk
meramalkan pajak kendaraan bermotor provinsi Jawa Tengah untuk periode mendatang
dengan menggunakan metode autoregressive integrated moving average (ARIMA). Hasil
penelitian menunjukkan model ARIMA 1,1,1 (1,0,0)12 merupakan model terbaik untuk peramalan pajak kendaraan bermotor provinsi Jawa Tengah. Model ARIMA digunakan
untuk meramalkan pajak kendaraan bermotor untuk empat periode kedepan.
Kata kunci : Pajak Daerah, Pajak kendaraan bermotor, autoregressive integrated moving
average (ARIMA)
1)Mahasiswa Fakultas Teknologi Informasi Jurusan Sistem Informasi, Universitas Kristen
Satya Wacana 2)
Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana Salatiga
-
1. Pendahuluan
Tercapainya pembangunan daerah merupakan satu wujud nyata pelayanan
pemerintah daerah kepada masyarakat. Pembangunan daerah sendiri dapat
terlaksana apabila ada dana yang tersedia dan dana yang dibutuhkan tidak sedikit,
salah satu sumber dana pembangunan berasal dari pajak daerah, dimana pajak
tersebut berasal dari masyarakat yang nantinya akan dikembalikan dalam bentuk
fasilitas pelayanan publik masyarakat. Salah satu sumber pajak daerah yang
memiliki potensial yang cukup besar adalah Pajak Kendaraan Bermotor (PKB).
Pajak Kendaraan Bermotor (PKB) adalah pajak atas kepemilikan dan atau
penguasaan kendaraan bermotor [1]. Masalah yang sering terjadi adalah kurang
nya pelayanan publik kepada masyarakat, sehingga tidak terpenuhinya kebutuhan
masyarakat. Prosedur perhitungan pajak kendaraan bermotor yang baik
merupakan salah satu aspek pengelolaan pendapatan yang sangat mendukung
tercapainya tujuan yang ditetapkan oleh pemerintah. Dengan demikian, perlu
dilakukan estimasi penerimaan pendapatan pajak kendaraan bermotor secara baik
sehingga dapat diketahui berapa besar penerimaan yang nantinya dapat dikelola
secara baik pula.
Jumlah penerimaan pendapatan pajak akan semakin meningkat dan dapat
pula sebaliknya, untuk itu perlu adanya peramalan terhadap proses perhitungan
pajak kendaraan bermotor untuk periode selanjutnya. Peramalan pada dasarnya
merupakan proses menyusun informasi tentang kejadian masa lampau yang
berurutan untuk menduga kejadian di masa depan [2]. Peramalan digunakan
sebagai perencanaan dalam memperkirakan nilai yang akan terjadi dimasa yang
akan datang. Dalam suatu organisasi peramalan menjadi salah satu bagian penting
dalam proses penentuan rencana jangka pendek maupun jangka panjang,
peramalan tentang suatu nilai tidak selalu tepat pada kenyataannya. Peramalan
sendiri dibagi menjadi beberapa jenis, salah satunya adalah ARIMA
(Autoregressive Integrated Moving Average). ARIMA merupakan metode
peramalan yang menggunakan nilai masa lalu dan sekarang dari variabel
dependen untuk menghasilkan peramalan jangka pendek yang akurat [3].
ARIMA merupakan metode peramalan yang sangat baik dalam peramalan
jangka pendek. Oleh karena itu ARIMA dipilih agar dapat membantu pemerintah
provinsi Jawa Tengah dalam memprediksi besar pendapatan pajak kendaraan
bermotor untuk periode kedepan dan sebagai bahan pertimbangan untuk
pengambilan keputusan atau kebijakan bagi Dinas Pendapatan Aset Daerah Jawa
Tengah dalam usaha peningkatan jumlah pendapatan daerah.
-
2. Kajian Pustaka Penelitian yang berjudul “Penerapan model ARIMA untuk memprediksi
harga saham PT.Telkom Tbk” latar belakang permasalahan tentang penelitian ini
adalah sulitnya para investor dalam menentukan waktu yang tepat dalam membeli
dan menjual sahamnya kembali. Penelitian ini menggunakan model ARIMA
sebagai proses untuk membuat model dan melakukan prediksi terhadap harga
saham PT.Telkom Tbk. Dengan menggunakan metode ARIMA maka PT.Telkom,
Tbk dapat memprediksi harga saham maksimum dan minimum untuk bulan Mei
dan Juni [4].
Penelitian lainnya tentang “Penggunaan Model Peramalan Autoregressive
Integrated Moving Avarage (ARIMA) untuk Analisis Besar Cakupan Pelayanan
Air”, adalah penelitian tentang seberapa besar cakupan air bersih yang tersedia.
Cakupan pelayanan dilihat dengan pemakaian air melalui Sambungan Rumah dan
Hidran Umum. Di kota surakarta terdapat masalah dari dampak berkurangnya
open space yaitu jumlah debit air menurun. Oleh sebab itu perlu dilakukan analisa
terhadap besar cakupan layanan yang mampu dilakukan oleh PDAM surakarta
[5].
Berdasarkan penelitian-penelitian yang sudah ada tentang model ARIMA
maka, dilakukan penelitian tentang pengelolaan data pajak kendaraan bermotor.
Penelitian dilakukan untuk meramalkan pajak kendaraan bermotor di masa yang
akan datang menggunakan model ARIMA. Luaran dari penelitian ini adalah hasil
peramalan pajak kendaraan bermotor untuk empat periode kedepan yang dapat
digunakan pihak pemerintah sebagai acuan dalam peningkatan fasilitas penunjang
kepada masyarakat.
Peramalan pada dasarnya merupakan dugaan atau perkiraan mengenai
terjadinya suatu kejadian atau peristiwa di waktu yang akan datang [6]. Metode
Time Series didasarkan pada analisis data sebuah variabel hasil pengamatan yang
disusun mengikuti urutan waktu. Pengamatan dapat dilakukan secara tahunan,
bulanan, mingguan, harian atau periode yang lebih pendek. Jika data yang
diperlukan tersedia, suatu hubungan peramalan dapat dihipotesiskan baik sebagai
fungsi dari deret waktu atau sebagai fungsi dari variabel bebas, kemudian diuji.
Langkah penting dalam memilih suatu metode time series yang tepat adalah
dengan mempertimbangkan jenis pola data. Pola data dapat dibedakan menjadi
empat jenis, yaitu pola data horizontal, pola data trend, pola data musiman, dan
pola data siklis [7].
ARIMA sering disebut dengan metode Box-Jenkins, ARIMA adalah
model yang mengabaikan variabel bebas dalam membuat peramalan karena model
ini menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok digunakan
untuk observasi dari deret waktu (time series) secara statistik berhubungan satu
sama lain. Metode ARIMA berbeda dengan metode peramalan lain karena metode
ini tidak mensyaratkan suatu pola data tertentu supaya model dapat bekerja
dengan baik., ARIMA sendiri hanya menggunakan satu variabel saja dalam proses
perhitungan yaitu variabel dependen [8].
-
ARIMA mewakili tiga metode yaitu dari autoregressive (AR), moving
average (MA), serta autoregressive dan moving average (ARMA). Tahapan
pelaksanaan metodenya yaitu :
a. Metode diidentifikasi menggunakan autokorelasi dan parsial autokorelasi. b. Metode diestimasi sebagai model sementara yang akan digunakan dalam
tahap pengujian model.
c. Pengujian dilakukan untuk mendapatkan metode yang layak dipakai untuk penerapan peramalan.
d. Penerapan, yaitu peramalan nilai data deret berkala yang akan datang menggunakan metode yang telah diuji.
Penetapan estimasi metode ARIMA (p,d,q) yang dapat ditentukan dengan
cara melihat prilaku dari plot Autocorrelation Function (ACF) dan plot Partial
Autocorrelation Function (PACF) dari deret data berkala. Setelah mendapatkan
nilai p,d,q maka bisa melakukan perhitungan peramalan ARIMA.
Autoregressive and Moving Average (ARMA) Pada Metode ARMA ordo
p dan q (AR(p) dan MA(q)) adalah gabungan antara Autoregressive (AR) dan
Moving Average (MA). Berikut ini merupakan bentuk umum dari ARMA :
𝑋𝑡 = μ + 𝜙1𝑋𝑡−1 + 𝜙2𝑋𝑡−2 +...+ 𝜙𝑝𝑋𝑡−𝑝+ 𝑒𝑡 - 𝜃1𝑒𝑡−1 - 𝜃2𝑒𝑡−2 -...-𝜃𝑞𝑒𝑡−𝑞
Dimana,
𝑋𝑡 : data ke-t.
μ : nilai konstan.
𝜙𝑗 : parameter autoregresif ke-j.
𝑒𝑡 : nilai error pada saat ke-t.
𝜃𝑗 : parameter moving average ke-j.
Musiman didefinisikan sebagai suatu pola yang berulang-ulang dalam
selang waktu yang tetap. Untuk data yang stasioner, faktor musiman dapat
ditentukan dengan mengidentifikasi koefisien autokorelasi pada dua atau tiga
time-lag yang berbeda nyata dari nol. Untuk menangani musiman, bentuk umum
yang singkat adalah:
ARIMA (p,d,q)(P,D,Q)M
Dimana,
(p,d,q) : bagian yang tidak musiman dari model
(P,D,Q) : bagian musiman dari model
M : jumlah periode per musim
-
Perhitungan Error Menurut Makridakis, Wheelwright & Hyndman [9],
untuk menguji ukuran kesalahan peramalan bisa mengunakan beberapa metode.
Salah satu cara yang digunakan yaitu MSE (Mean Square Error). MSE
merupakan suatu perhitungan jumlah dari selisih data peramalan dengan data yang
sebenarnya. Berikut ini merupakan rumus MSE:
𝑀𝑆𝐸 = 𝑋𝑡 − 𝑋 𝑡
2𝑛−𝑑𝑖−𝑙
𝑛 − 𝑑
Dimana,
n : banyak data
d : nilai differencing
𝑋𝑡 : nilai data deret berkala 𝑋 𝑡 : nilai ramalan model
3. Metodologi Penelitian Metode penelitian yang digunakan adalah metode deskriptif kuantitatif,
yang menjelaskan hubungan antar variabel dengan melakukan analisis data
numerik (angka) menggunakan metode statistik melalui pengujian hipotesa.
Metode statistik yang digunakan adalah proses peramalan berjangka pendek.
Keluaran yang dihasilkan dari proses peramalan pada penelitian akan digunakan
untuk melakukan perhitungan data untuk empat periode mendatang. Berdasarkan
gambar 1, dapat dilihat tahapan penelitian yang dilakukan.
Gambar 1 Tahapan Penelitian
Pengumpulan Data
Pengolahan Data
Kesimpulan
Analisis Data
-
Proses peramalan yang dilakukan dimulai dengan proses pengumpulan
data pajak kendaraan bermotor dari Januari 2008 - April 2015 sebanyak 88 data.
Pengumpulan data tersebut merupakan data sekunder yaitu data historis pajak
kendaraan bermotor yang diperoleh dari Dinas Pendapatan dan Pengelolaan Aset
Daerah provinsi Jawa Tengah. Langkah selanjutnya adalah pengolahan data
dengan tahapan ARIMA menggunakan aplikasi sebagai proses perhitungan.
Gambar 2 Tahapan ARIMA
a. Tahap identifikasi : identifikasi model dengan menggunakan plot data pajak dan plot Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF)
untuk menentukan model sementara yang akan diuji.
b. Tahap Penaksiran dan Pengujian : setelah model sementara didapat, langkah selanjutnya adalah melakukan uji estimasi model dan pengujian parameter. Jika
model yang diuji tidak memenuhi kriteria maka dilakukan kembali identifikasi
menggunakan model lain.
Rumusan kelompok model-
model yang umum Tahap I
Identifikasi
Tahap II
Penaksiran dan
pengujian
Tahap III
Penerapan
Penetapan model untuk
sementara
Penaksiran parameter pada
model sementara
Pemeriksaan diagnosa
(apakah model memadai?)
Gunakan model untuk
peramalan
Ya Tidak
-
c. Tahap Penerapan : setelah model diuji dengan baik dan model memenuhi semua kriteria yang ada maka, model dapat digunakan dalam proses
peramalan.
Metode ARIMA sendiri hanya berkenan terhadap data yang stasioner.
Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data, secara
kasarnya data harus horizontal sepanjang sumbu waktu. Dengan kata lain,
fluktuasi data berada di sekitar nilai rata-rata yang konstan, tidak tergantung pada
waktu dan variansi dari fluktuasi tersebut pada pokoknya tetap konstan setiap
waktu [10].
Langkah-langkah dalam proses perhitungan ARIMA, adalah sebagai
berikut:
Langkah pertama dalam perhitungan ARIMA adalah membuat plot data dan
mengidentifikasi ACF dan PACF. Plot data digunakan untuk melihat jenis pola
data yang sesuai dengan data yang digunakan dalam peramalan. Metode ARIMA
memerlukan data yang stasioner, maka jika data belum stasioner harus dilakukan
diferensiasi.
Gambar 3 Plot Data
Gambar 3 menunjukkan bahwa tingkat pajak kendaraan bermotor di
Provinsi Jawa Tengah mengalami kenaikan yang cukup signifikan. Berdasarkan
hasil uji plot data diketahui bahwa data pajak kendaraan bermotor tidak stasioner,
hal ini dapat dilihat dari pergerakan data yang tidak konstan, bahkan cenderung
terlihat adanya unsur musiman dan trend. Pola musiman terlihat adanya pola yang
berulang pada data, sedangkan pola trend terlihat adanya data yang meningkat
keatas. Data pajak kendaraan bermotor juga tidak menunjukkan stasioner dalam
variansi, dapat dilihat sebaran data yang cukup besar antar nilai data, sehingga
perlu dilakukan proses transformasi logaritma natural. Transformasi logaritma
natural digunakan untuk merubah data yang bernilai desimal atau bernilai 10
-
kedalam bentuk logaritma sehingga nilai sebaran dapat memenuhi asumsi
peramalan arima.
Gambar 4 Hasil Transformasi
Gambar 4 menunjukkan grafik pendapatan pajak hasil transformasi
logaritma natural, dapat dilihat nilai sebaran data dirubah kedalam bentuk
logaritma sehingga terlihat jarak nilai data tidak terlampau jauh. Dari plot data
terlihat bahwa data tidak stasioner dalam mean, data tidak berada pada nilai
tengah yang membentuk sumbu horizontal, terlihat masih adanya unsur tren yang
terlihat meningkat keatas.
Gambar 5 ACF dan PACF tidak stasioner
-
Gambar 5 grafik ACF dan PACF juga dapat menunjukkan stasioner atau
tidak stasionernya suatu data dengan menggunakan correlogram. Pada
correlogram terlihat grafik ACF yang menurun secara lambat menuju 0
sedangkan grafik PACF terpotong pada lag-1. Dengan demikian maka diperlukan
proses diferensiasi menghilangkan pola musiman dan trend yang ada pada data
agar data menjadi stasioner.
Gambar 6 Hasil Diferensiasi dan Transformasi Logaritma Natural
Pada gambar 6 terlihat hasil proses transformasi dan diferensiasi. Hasil
dari diferensiasi adalah grafik sudah menunjukkan data stasioneritas pada nilai
tengahnya karena grafik terlihat horizontal sepanjang sumbu waktu. Grafik
menunjukkan data cenderung lebih baik.
-
Gambar 7 ACF dan PACF stasioner
Gambar 7 diperoleh hasil ACF dan PACF yang turun secara eksponensial
secara bersamaan setelah lag-1. Model stasioner yaitu model ARMA(p,q) dengan
orde p=1 dan q=1, tetapi karena hasil ACF dan PACF terjadi proses diferensiasi.
Maka model untuk data adalah model nonstasioner ARIMA(p,q,d) dengan orde
p=1, d=1, dan q=1 atau ARIMA(1,1,1).
Dari hasil diatas juga dapat dilihat bahwa data bersifat musiman yang
ditandai dengan plot ACF dan PACF, terlihat ACF muncul pada lag-12, lag-24,
dan lag-36, sedangkan PACF muncul pada lag-13. Dari proses tersebut maka
didapatkan hasil model sementara ARIMA musiman
ARIMA(p,d,q)ARIMA(P, D, Q) 𝑀 ,yaitu model ARIMA(1,1,1)(1,0,0)12.
Setelah model didapatkan, langkah selanjutnya adalah melakukan estimasi
model awal sementara. Lalu dilakukan uji signifikan pada koefisien, bila
signifikan maka model tersebut layak digunakan. Bila tidak signifikan maka
model tersebut tidak layak digunakan.
-
Gambar 8 Estimasi model ARIMA
Pengujian parameter ditentukan dengan melihat pengaruh yang signifikan
dari nilai P-value ≤ α dengan α sebesar 5%. Dari hasil output, diperoleh pengujian
dari setiap variabel dengan nilai koefisien α (Coefficient) dan P-value(Prob)
sebagai berikut : Tabel 1 Nilai estimasi
Pada tabel estimasi dapat dilihat bahwa nilai P-value lebih kecil dari nilai
α sebesar 5%, pengujian menunjukkan bahwa koefisien model signifikan. Hasil
ini dapat diterapkan kedalam persamaan model ARIMA (1,1,1)(1,0,0)12, sebagai berikut :
𝑊𝑡 = −0,426483 𝑊𝑡−1 + 0,733894 𝑊𝑡−12 – 0,436721 𝑊𝑡−13 - 0,620428 𝑎𝑡−1 + 𝑎𝑡
Dari hasil output tabel, pengujian ini memberikan kesimpulan bahwa
semua koefisien model signifikan .Untuk menilai kebaikan model digunakan MSE
sebagai perhitungan error, dengan perhitungan sebagai berikut :
MSE = 𝑆𝑆𝐸
𝑛−𝑝 =
0.122373
88−4 = 0.001457
Pada model ini dihasilkan nilai MSE yang baik sebesar 0.001457.
Langkah selanjutnya akan diperiksa apakah model sementara yang didapatkan
pada tahapan sebelumnya sudah cukup memadai untuk dijadikan model
peramalan dengan melakukan uji residual.
Variabel Koefisien P-value
AR(1) -0,426483 0,0013
AR(12) 0,733894 0,0000
AR(13) 0,436721 0,0002
MA(1) -0,620428 0,0000
-
Gambar 9 Residual- Q statistic
Pengujian residual untuk melihat sifat white noise pada data. Gambar 9
terlihat bahwa tidak ada garis ACF dan PACF yang keluar dari batas signifikan,
terlihat nilai probabilitas > tingkat signifikan α = 0.05, sehingga dapat
disimpulkan bahwa residual model bersifat white noise (tidak bersifat
autokorelasi).
Gambar 10 Heteroskedatisitas
Pengujian asumsi heteroskedasitas untuk melihat apakah data memiliki
sifat homokedatisitas. Pengujian disimpulkan bahwa residual tidak bersifat
heteroskedatisitas jika nilai P-value > α dengan α = 5%. Dari hasil output, Nilai P-value (Prob F(10, 63)) diperoleh sebesar 0,4469 sehingga hasil pengujian ini
disimpulkan bahwa residual memiliki varians konstan (homoskedatisitas) (karena
P-value > 0,05).
-
Gambar 11 Normalitas
Pengujian asumsi yang berikutnya adalah pengujian asumsi normalitas
residual model. Pengujian disimpulkan bahwa residual berdistribusi Normal jika
nilai P-value > α dengan α = 5%. Dari hasil output, Nilai P-value (Probability) diperoleh sebesar 0,687310 sehingga hasil pengujian ini disimpulkan bahwa
residual berdistribusi Normal (karena P-value > 0,05). Dengan terpenuhi semua
asumsi, model yang terbentuk dapat digunakan untuk proses peramalan atau
forecasting.
4. Hasil dan Pembahasan
Proses forecasting (peramalan) digunakan untuk mengetahui jumlah
pendapatan yang akan diterima dalam proses pemungutan pajak kendaraan
bermotor. Dalam pembahasan ini diramalkan pajak kendaraan bermotor di
provinsi Jawa Tengah dari bulan Mei 2015 sampai dengan Agustus 2015 sebagai
berikut
Gambar 12 Peramalan untuk empat periode
-
Gambar 12 dari grafik diatas dapat dilihat bahwa hasil peramalan untuk
pajak kendaraan bermotor di provinsi Jawa Tengah untuk bulan mei 2015 sampai
dengan bulan Agustus 2015 periode kedepan, hasil peramalan menunjukkan hasil
mengalami peningkatan.
Tabel 2 Hasil Perbandingan Data Peramalan dan Data Aktual
Bulan Data Peramalan Data Aktual
Mei 224,552,134,100 231,153,697,585.39
Juni 242,784,330,875 225,877,280,394.20
Juli 249,391,397,275 237,510,722,862.44
Agustus 253,761,041,925 243,713,717,827.83
Tabel 2 menunjukkan hasil perbandingan data peramalan dengan data asli,
terlihat bahwa perbedaan antara data peramalan dengan data asli tidak terlalu jauh
berbeda, ini terjadi karena metode ARIMA mempunyai standar error yang kecil,
sehingga metode ARIMA dapat digunakan sebagai model peramalan pajak
kendaraan bermotor.
Setelah dilakukan perbandingan data peramalan dengan data asli,
selanjutnya dilakukan peramalan pajak kendaraan bermotor selama satu tahun
depan. Hasil peramalan pajak kendaraan bermotor provinsi Jawa Tengah selama
satu tahun dari September 2015 sampai Agustus 2016.
Tabel 3 Hasil Peramalan Pajak Kendaraan Bermotor selama Satu Tahun
Bulan Data Peramalan
September 231.153.697.585.4
Oktober 225.877.280.394.2
November 237.510.722.862.4
Desember 243.713.717.827.8
Januari 235.802.533.465.9
Februari 251.406.023.099.1
Maret 238.553.827.846.0
April 239.005.240.683.5
Mei 255.613.512.411.7
Juni 232.553.262.541.2
Juli 247.258.947.762.7
Agustus 246.762.766.172.1
-
5. Kesimpulan
Berdasarkan hasil peramalan yang dilakukan pada perhitungan pajak
kendaraan bermotor, diperoleh hasil bahwa peramalan menggunakan metode
ARIMA terdiri dari tahap proses identifikasi, penaksiran parameter dan pengujian
serta penerapan. Model ARIMA yang terbaik berdasarkan nilai kebaikan model
dan terpenuhinya asumsi-asumsi untuk digunakan dalam peramalan adalah
ARIMA (1,1,1)(1,0,0)12 dengan persamaan 𝑊𝑡 = −0,426483 𝑊𝑡−1 + 0,733894 𝑊𝑡−12 – 0,436721 𝑊𝑡−13 - 0,620428 𝑎𝑡−1 + 𝑎𝑡
Hasil peramalan pendapatan pajak kendaraan bemotor selama empat
periode kedepan dapat digunakan untuk pertimbangan bagi instansi terkait dalam
proses pengembangan dan pembangunan kebutuhan masyarakat. Hasil suatu
peramalan (forecasting) bukanlah suatu nilai yang pasti akan terjadi diperiode
mendatang, mengingat banyak faktor-faktor di lapangan yang dapat memberi pengaruh yang cukup signifikan pada hasil akhir.
6. Daftar Pustaka
[1] DPPAD, 2013, Dasar Hukum, UU No.28 Tahun 2009 Pajak Daerah dan
Retribusi Daerah, http://dppad.jatengprov.go.id/. Diakses tanggal 20 juni
2015.
[2] Erdianta, Pranawa, dan Sony Sunaryo, 2013, Perencanaan Alternatif Line
Distribusi Perawatan Jaringan Listrik PT.PLN (Persero),
http://mmt.its.ac.id/. Diakses tanggal 12 Juni 2015.
[3] Hendrawan , Bambang, 2013, Penerapan Model ARIMA Dalam
Memprediksi IHSG, http://p2m.polibatam.ac.id/. Diakses tanggal 15 Juni
2015.
[4] Hatidja, Djoni, 2011, Penerapan Model ARIMA untuk memprediksi harga
saham PT.Telkom Tbk, http://ejournal.unsrat.ac.id/. Diakses tanggal 12
Juni 2015.
[5] Kristanti, Diah, 2010, Penggunaan Model Peramalan Autoregressive
Integrated Moving Average (ARIMA) untuk analisis Besar Cakupan
Pelayanan Air (Studi Kasus : Perusahaan Daerah Air Minum (PDAM)
Kota Surakarta), Skripsi, Universitas Kristen Satya Wacana, Jawa Tengah.
[6] Purwaningsih, 2006, Penerapan Model Box-Jenkins untuk Peramalan
dengan Runtun Waktu Bukan Musiman, Skripsi, Universitas Kristen Satya
Wacana, Jawa Tengah.
[7] Soepriyanto, M.Hari, 2005, Peramalan Penjualan Rokok dengan
Pendekatan Analisis Runtun Waktu pada PT.Nikorama TOB.CO.cabang
Jambi, Skripsi, Universitas Kristen Satya Wacana, Jawa Tengah.
[8] Hendrawan , Bambang, 2013, Penerapan Model ARIMA Dalam
Memprediksi IHSG, http://p2m.polibatam.ac.id/. Diakses tanggal 15 Juni
2015.
[9] Setiawan, Alexander, Adi Wibowo, dan Sutisno Wijaya, 2013, Aplikasi
Peramalan Penjualan Kosmetik dengan Metode ARIMA,
http://repository.perta.ac.id/. Diakses tanggal 16 Juni 2015.
http://dppad.jatengprov.go.id/http://mmt.its.ac.id/http://p2m.polibatam.ac.id/http://ejournal.unsrat.ac.id/http://p2m.polibatam.ac.id/http://repository.perta.ac.id/
-
[10] Melynda, 2012, Penetapan Strategi Pemasaran Berdasarkan Forecast
Penjualan Produk Yoghurt di PT.Sukanda Djaya,
http://digilib.esaunggul.ac.id/. Diakses tanggal 18 Juni 2015.
http://digilib.esaunggul.ac.id/