Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor … · 2017. 7. 12. · Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor dengan Metode Autoregressive Integrated Moving

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)

[email protected], 2)

[email protected]

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

mailto:[email protected]:[email protected]

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.