Kapita Selekta Laporan
Kapita Selekta Laporan
KERJA PRAKTEK
Halaman Sampul
Kkek
KELOMPOK VIII
DEPARTEMEN STATISTIKA
UNIVERSITAS HASANUDDIN
MAKASSAR
2019
i
LEMBAR PENGESAHAN
LAPORAN
PELAKSANAAN KERJA PRAKTEK (KP)
PERIODE DESEMBER 2018 – JANUARI 2019
JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR
Disusun untuk Memenuhi Salah Satu Syarat Penilaian Kelulusan Mata Kuliah Kerja Praktek
(KP)
KELOMPOK KANTOR BADAN PENDAPATAN DAERAH KOTA MAKASSAR
NO NAMA MAHASISWA NO.STAMBUK TANDA TANGAN
ii
KATA PENGANTAR
Segala Puji bagi Allah SWT karena berkat Rahmat dan Karunia-Nya, sehingga
penyusun dapat menyelesaikan Laporan Pelaksanaan Kerja Praktek (KP) yang bertempat di
Kantor Badan Pendapatan Daerah (BAPENDA) Kota Makassar tepat pada waktunya.
Shalawat serta Salam semoga senantiasa tercurahkan kepada Nabi teladan umat manusia
hingga akhir zaman, Rasulullah SAW.
Laporan ini disusun berdasarkan data serta informasi yang diperoleh selama
melakukan kegiatan Kerja Praktek di Kantor Badan Pendapatan Daerah (BAPENDA) kota
Makassar. Adapun tujuan dari penyusunan laporan akhir Kerja Praktek (KP) adalah sebagai
bahan pertanggungjawaban dari penyusun berdasarkan hasil Kerja Praktek (KP) yang
dilaksanakan selama 6 minggu, terhitung mulai dari tanggal 17 Desember 2018 s/d 25 Januari
2019. Laporan ini dapat tersusun berkat usaha dari penyusun yang dilaksanakan selama
melakukan kegiatan Kerja Praktek (KP), namun penyusun menyadari bahwa laporan ini
belum sempurna baik dari segi laporan maupun sistematika penulisan. Oleh karena itu,
penyusun mengharapkan adanya bimbingan baik berupa kritik dan saran dari semua pihak
yang sifatnya membangun. Sehingga, laporan ini dapat memberikan manfaat yang positif
bagi setiap pembacanya.
Penyusun juga mengucapkan terima kasih kepada Pembimbing Akademik,
Pembimbing Lapangan, seluruh Bapak/Ibu dan juga karyawan yang berada di Kantor Badan
Pendapatan Daerah (BAPENDA) kota Makassar, serta semua pihak yang telah membantu
dalam menyelesaikan Laporan Akhir Kerja Praktek (KP) ini.
Akhir kata, penyusun mengucapkan rasa syukur dan semoga laporan ini dapat
bermanfaat bagi kita semua khususnya bagi mahasiswa Fakultas Matematika dan Ilmu
Pengetahuan Alam, Perguruan Tinggi dan Lembaga/Institusi maupun masyarakat luas.
Penyusun
iii
DAFTAR ISI
HALAMAN SAMPUL…………………………………………………………………. i
LEMBAR PENGESAHAN…………………………………………………………….. ii
KATA PENGANTAR………………………………………………………………….. iii
DAFTAR ISI……………………………………………………………………………. Iv
BAB I PENDAHULUAN……………………………………………………………….. 1
1.1 Latar Belakang……………………………………………………………………….. 1
1.2 Tujuan dan Manfaat…………………………………………………………………... 1
1.3 Lokasi / Instansi Kerja Praktek……………………………………………………….
2
1.4 Gambaran Umum Instansi Kerja Praktek……………………………………………..
2
BAB II DESKRIPSI KEGIATAN……………………………………………………… 7
2.1 Deskripsi Kegiatan……………………………………………………………………. 7
2.2 Hasil Kerja……………………………………………………………………………. 11
BAB III PENERAPAN DAN KETERKAITAN STATISTIKA……………………… 12
3.1 Deskripsi Data………………………………………………………………………… 12
3.2 Teknik Analisis Data………………………………………………………………….. 12
3.3 Hasil dan Pembahasan………………………………………………………………… 15
BAB IV PENUTUP……………………………………………………………………… 33
4.1 Kesimpulan…………………………………………………………………………… 33
DAFTAR PUSTAKA……………………………………………………………………. 34
iv
BAB I
PENDAHULUAN
1
1.2 Tujuan dan Manfaat
Secara umum tujuan dari Kerja Praktek ini adalah untuk memberikan pengalaman
praktis pada mahasiswa mengenai objek-objek penerapan statistika dalam dunia kerja
terutama pemuatan kompetensi mengenai kemampuan menyesuaikan diri (adaptasi),
berinteraksi dan bekerja sama dengan pihak lain. Adapun secara terinci bagi mahasiswa
adalah :
2
Kerja Praktek ini dilaksanakan selama 6 minggu, mulai tanggal 17 Desember
2018 sampai dengan 25 Januari 2019 . Kantor tersebut melaksanakan aktivitas pada
lima hari kerja Senin sampai Jumat di mulai pada pukul 07.30 – 15.30 WITA.
3
merupakan unsur pelaksana Pemerintah Kota dipimpin oleh seorang Kepala yang
berada di bawah dan bertanggung jawab kepada Walikota melalui Sekretaris Daerah.
b. Tugas Pokok
Berkaitan dengan kedudukan Badan Pendapatan Daerah mempunyai tugas pokok
merumuskan, membina, mengendalikan dan mengelola serta mengkoordinir kebijakan
bidang pendapatan daerah.
c. Fungsi
Untuk melaksanakan tugas pokok tersebut Badan Pendapatan mempunyai fungsi
sebagai berikut :
1) Perencanaan, merumuskan, mengembangkan, membina, melaksanakan,
mengendalikan, mengkoordinasi dibidang pengelolaan pendapatan serta melakukan
pengamatan dan mempotensikan sumber-sumber pendapatan sesuai peraturan
perundang-undangan yang berlaku;
2) Penyusunan evaluasi pelaksanaan pungutan pendapatan daerah;
3) Pemberian izin tertentu dibidang pendapatan;
4) Pembinaaan unit pelaksana teknis.
Susunan organisasi Badan Pendapatan Kota Makassar berdasarkan Peraturan
Pemerintah Nomor 41 Tahun 2007 dan Peraturan Daerah Kota Makassar Nomor 3
Tahun 2009 tentang pembentukan dan susunan Organisasi Perangkat Daerah Kota
Makassar.
4
Sedangkan misi adalah sesuatu yang harus di emban atau dilaksanankan oleh
instansi pemerintah, sebagai penjabaran visi yang telah ditetapkan. Dengan pernyataan
misi diharapkan seluruh anggota organisasi dan pihak yang berkepentingan dapat
mengetahui dan mengenai keberadaan dan peran instansi pemerintah dalam
penyelenggaraan pemerintahan Negara.
Berdasarkan arsip dari Sub Bagian Keuangan Sekretariat Badan Pendapatan
Daerah Kota Makassar . Adapun visi, misi, dan kedudukan BAPENDA Kota Makassar
akan dijelaskan lebih lanjut sebagai berikut:
a) Visi
Visi Badan Pendapatan Kota Makassar adalah:
“Prima Dalam Pelayanan Unggul Pengelolaan Pendapatan Daerah”
Untuk merealisasikan maksud dan tujuan sebagaimana yang tertuang dalam visi
tersebut, maka setiap aparat Badan Pendapatan Kota Makassar dan masyarakat harus
mampu memahami makna dari visi tersebut, makna yang terkandung dalam Visi Badan
Pendapatan Kota Makassar tersebut merupakan hasil pendalaman dari rangkaian antara
kegiatan dan subtansi tupoksi serta jati diri pelayanan yang merupakan eksistensi dari
Badan Pendapatan Kota Makassar yang diwujudkan dalam peningkatan kinerja untuk
pencapaian tujuan dan sasaran yang diharapkan. Adapun makna dari visi tersebut
adalah sebagai berikut :
1. Prima Dalam Pelayanan
Sebagai Lembaga Teknis Daerah dalam menentukan kebijakan meliputi
perencanaan, pendataan, penetapan, penagihan, penelitian, pembukuan, penyuluhan,
pembinaan, pengawasan, dan pengendalian Pendapatan Daerah mengutamakan
kualitas pelayanan sesuai dengan kondisi masyarakat atau kepuasan total
masyarakat dengan penerapan sendi-sendi pelayanan yang prima seperti
kesederhanaan prosedur atau tata cara pelayanan, kejelasan, dan kepastian,
keamanan, keterbukaan, efisiensi, ekonomis, keadilan yang merata dan ketepatan
waktu.
2. Unggul Dalam Pengelolaan :
Dalam melaksanakan tugas pokok dan fungsinya Badan Pendapatan Kota Makassar
mengedepankan koordinasi, transparansi, akuntabilitas, dengan kualitas layanan
prima.
b) Misi
5
Untuk merealisasikan visi yang telah ditetapkan dalam lima tahun kedepan yang
bertumpu pada potensi dan sumber daya yang dimiliki serta ditunjang oleh semangat
kebersamaan, tanggungjawab yang optimal dan proporsional, maka misi Badan
Pendapatan Daerah Kota Makassar adalah :
1) Menggali sumber-sumber PAD secara optimal;
2) Menyempurnakan sistem pengelolaan PAD;
3) Meningkatkan koordinasi dengan SKPD / pengelola pendapatan;
4) Menyusun dan melakukan perubahan dan peraturan daerah;
6
BAB II
DESKRIPSI AKTIVITAS
Garis besar aktivitas pada minggu pertama adalah Orientasi (Pengenalan) Badan
Pendapatan Daerah Kota Makassar, sub Bagian Pajak Bumi Bangunan.
Senin (17 Desember 2018)
Orientasi pengenalan lingkungan kerja, Pengenalan Staff dan Penempatan di
bagian Pajak Bumi Bangunan.
Selasa (18 Desember 2018)
Pengajaran pengecekan tunggakan pembayaran PBB
Rabu (19 Desember 2018)
Pengecekan NJOP dan pengisian buku agenda.
Kamis (20 Desember 2018)
Pengurusan berkas yang bermasalah pada bagian percetakan PBB
Jumat (21 Desember 2018)
Pencetakan simulasi PBB
Minggu II (24-28 Desember 2018)
Senin (24 Desember 2018)
Libur
Selasa (25 Desember 2018)
Libur
Rabu (26 Desember 2018)
7
Penginputan berkas selesai dan penginputan berkas masuk
Kamis (27 Desember 2018)
Pengarsipan berkas, Administrasi dan pelayanan wajib pajak (WP)
Jumat (28 Desember 2018)
Pelayanan WP, Pengarsipan berkas dan Administrasi
8
Rabu (16 Januari 2019)
Pengarsipan berkas, Administrasi dan pelayanan wajib pajak (WP)
Kamis (17 Januari 2019)
Pengarsipan berkas, Administrasi dan pelayanan wajib pajak (WP)
Jumat (18 Januari 2019)
Pengarsipan berkas, Administrasi dan pelayanan wajib pajak (WP)
MInggu VI ( 21 – 25 Januari 2019)
Garis besar aktivitas pada minggu pertama adalah Orientasi (Pengenalan) Badan
Pendapatan Daerah Kota Makassar, sub Bagian Pajak Bumi Bangunan.
Senin (17 Desember 2018)
Orientasi pengenalan lingkungan kerja, Pengenalan Staff dan Penempatan di
bagian Pajak Bumi Bangunan.
Selasa (18 Desember 2018)
Pengajaran pengecekan tunggakan pembayaran PBB
Rabu (19 Desember 2018)
Pengecekan NJOP dan pengisian buku agenda.
Kamis (20 Desember 2018)
9
Pengurusan berkas yang bermasalah pada bagian percetakan PBB
Jumat (21 Desember 2018)
Pencetakan simulasi PBB
Minggu II (24-28 Desember 2018)
Senin (24 Desember 2018)
Libur
Selasa (25 Desember 2018)
Libur
Rabu (26 Desember 2018)
Penginputan berkas selesai dan penginputan berkas masuk
Kamis (27 Desember 2018)
Pengarsipan berkas, Administrasi dan pelayanan wajib pajak (WP)
Jumat (28 Desember 2018)
Pelayanan WP, Pengarsipan berkas dan Administrasi
10
Kamis (10 Januari 2019)
Pengarsipan berkas, Administrasi dan pelayanan wajib pajak (WP)
Jumat (11 Januari 2019)
Pengarsipan berkas, Administrasi dan pelayanan wajib pajak (WP)
Minggu V (14-18 Januari 2019)
11
Dapat berinteraksi dengan orang lain
Sebagai makhluk social, tidak dapat dipungkiri bahwa dalam setiap aktifitas kita
selalu dituntut untuk berinteraksi dengan orang lain. Oleh karena itu, dalam Kerja
Praktek ini, kami selalu berada dalam interaksi social khususnya dengan pegawai-
pegawai di BAPENDA kota Makassar
BAB III
PENERAPAN DAN KETERKAITAN STATISTIKA
12
autokorelasi parsial orde m didefinisikan sebagai koefisien autoregresif terakhir
dari model AR (m).
2. Kestasioneran
Suatu data pengamatan dikatakan stasioner jika data tersebut mempunyai nilai mean
dan variansi yang relatif konstan dari waktu ke waktu (Azriati, 2014).
Sebaliknya, data pengamatan yang tidak stasioner mempunyai mean dan variansi
yang tidak konstan atau berubah seiring dengan berubahnya waktu.
a. Stasioner terhadap Rata-rata
Suatu proses stasioner dalam rata-rata jika(𝑍𝑡) = 𝜇𝑡 = 𝜇adalah konstan untuk setiap t.
Untuk memeriksa kestasioneran ini dapat digunakan diagram deret waktu ( time series
plot) yaitu diagram pencar antara nilai peubah Zt dengan waktu t. Dapat juga dengan
menggunakan uji unit root yang bertujuan untuk mengetahui apakah data tersebut
mengandung unit root atau tidak. Salah satu dari uji unit root ini yang digunakan
adalah Augmented Dickey Fuller (ADFtest) dimana filosofi dari uji ADF ini
adalah dengan mengikuti proses autoregressive orde pertama atau AR(1).
b. Stasioner terhadap Variansi
Suatu proses stasioner pada varians jika 𝑉𝑎( Zt ) = 𝐸( Zt ) − 𝜇𝑡)2 = 𝜎2 adalah konstan
untuk setiap t. Pengujian stasioneritas dalam varians dapat menggunakan uji Bartlett.
Jika data tidak stasioner dalam varians maka digunakan transformasi data.
Transformasi yang biasa digunakan adalah Box-Cox Transformation.
3. Model Autoregressive Integrated Moving Average (ARIMA)
a. Proses Autoregressive (AR)
Proses AR(p) adalah model dimana X t merupakan fungsi dari data di masa lalu,
yakni 𝑡 − 1, 𝑡 − 2, … , 𝑡 − 𝑝. persamaan AR deberikan oleh:
X t = 𝜇 + ϕ 1 X t −1 + ϕ 2 X t −2 + ⋯ + ϕ p X t −𝑝+ e t
b. Proses Moving Average (MA)
Proses MA(q) adalah model unuk memprediksi Xt sebagai fungsi dari
kesalahan prediksi di masa lalu (past forecast error) dalam memprediksi Xt.
Persamaan MA deberikan oleh:
X t = 𝜇 + e t − θ1 e t−1−θ2 e t−1− ⋯ − 𝜃𝑞𝑒𝑡−𝑞
4. Model ARIMA
Model ARIMA dilakukan pada data stasioner atau data yang di differencingsehingga
data telah stasioner. Secara umum, model ARIMAdinotasikan sebagai
13
ARIMA(p,d,q). Model ini merupakan gabungan dari model ARMA(p,q) dan proses
differencing, yaitu:
𝜙(𝐵)(1 − 𝐵)d X t = θ0 + θq (𝐵)e t
14
b. Melakukan differencing pada data sesuai dengan season yang diambil differencing
pada season digunakan untuk menghilangkan seasonality dikarenakan ada
kemungkinan data yang dipakai membutuhkan differencing.
15
sebagai validasi dari peramalan di Laporan ini. Untuk menyelesaikan hasil dan
pembahasan digunakan aplikasi Minitab 2016 dan E-Views 10.
Dari plot tersebut terlihat bahwa Persentasi dari target dan realisasi PBB tahun 2013
– 2016 menunjukan adanya pola data yang berulang di pada bulan januari sampai bulan
desember dimana dari plot terlihat jelas adanya penurunan dan kenaikan nilai-nilai pada
tahun-tahun tertentu. Sehingga pada kasus ini menggunakan metode Seasional-Arima
atau yang biasa dikenal dengan metode SARIMA
16
Pengecekan kestationeran dalam varian dilakukan dengan Box-Cox. Data yang
sudah stationer dalam varians, lamda bernilai 1 (𝜆 = 1) jika lamda tidak sama dengan1,
maka ditransformasikan dengan Box-Cox sampai mendapatkan nilai 1.
Dari gambar 2 dapat dilihat nilai Rounded Value sama dengan satu sehingga dapat
dikatakan bahwa data stationer dalam variansi (memberikan arti data cenderung
stationer terhadap varians.
Stationer dalam mean adalah jika rata-rata tetap pada keadaan runtun waktu atau
jika tidak ada unsur trend dalam data dan apabila suatu diagram time series berfluktuasi
secara lurus. Pengujian kestasioneran dalam mean dapat menggunakan Autocorrelation
Function (ACF) dan uji Augmented Dickey-Fuller (ADF) secara formal.
17
Gambar 3 Grafik ACF Data Asli Musiman
Dari gambar 3 terlihat bahwa data lag 1, lag 2 dan lag 3 berada di dalam batas
sehingga dapat dikatakan bahwa data stationer terhadap rata-rata. Selain itu dapat
dibuktikan dengan menggunakann uji Augmented Dickey-Fuller (ADF) secara formal.
Hipotesis
𝐻𝑂:𝜌=0 (Data Persentase Target dan realisasi PBB tidak stasioner )
Kesimpulan :
Dari Gambar 4 Nilai 𝑃−𝑣𝑎𝑙𝑢𝑒 = 0.000 > 0.05. Sehingga cukup bukti untuk l
tolak 𝐻𝑂. Maka dapat disimpulkan bahwa Data persentasi Target dan realisasi PBB
stasioner dalam rata-rata.
Tujuan dari uji autokorelasi yang dapat dilihat pada gambar adalah untuk melihat
apakah terjadi korelasi antara suatu periode (𝑡) dengan periode sebelumnya (𝑡−1). Dari
gambar diketahui bahwa kondisi Persentase PBB tahun 2017 dipengaruhi oleh periode-
periode sebelumnya yaitu tahun 2013, 2014, 2015, 2016. Adapun plot ACF dan PACF
musiman (lag 12) nya yaitu:
19
Gambar 6 ACF Data Non-Musiman
20
Date: 03/25/19 Time: 21:36
Sample: 1 48
Included observations: 36
t-Statistic Prob.*
Dari diagram ACF differencing d=1 dan D=1 (untuk musiman) pada Gambar 5
menunjukkan bahwa data telah stasioner pada non-musiman dan musimannya. Oleh
karena itu, data tersebut sudah dapat digunakan untuk pembentukan model ARIMA.
21
model moving average (MA) orde keberapa data yang sedang dianalisis. Untuk
mengidentifikasi model yang cocok untuk data, maka perlu dilakukan plot Autokorelasi
(ACF) dan Autokorelasi Parsial (PACF)
.
Gambar 10 ACF Data non- Musiman
Berdasarkan diagram ACF dan PACF hasil differencing tersebut, dapat dilihat
bahwa beberapa kriteria berikut ini terpenuhi, yakni :
22
a. Plot ACF dan PACF lag non-musiman menunjukkan dying down . Hal ini
mengidentifikasikan adanya proses AR(1) dan MA(2) dan gabungannya ARMA
dengan d = 1
b. Plot ACF lag musiman menunjukkan cut off pada lag 1 musiman begitupun pada
plot PACF ada cut off pada lag 1 musiman namun telah dilakukan differencing
pada lag 12 sehingga AR(1) atau proses MA (1) atau gabungan keduanya yakni
ARIMA(1,0,0), ARIMA(0,0,1), ARIMA(1,0,1)
Berdasarkan dua kriteria yang dipenuhi di atas maka dapat diperoleh beberapa model
yang dinyatakan dalam notasi model ARIMA (p,d,q)(P,D,Q)S sebagai berikut :
ARIMA (0,0,1) (1.1,1)12
ARIMA (1,0,0) (1.1,1)12
ARIMA (1,0,1) (1.1,1)12
ARIMA (0,0,1) (0.1,1)12
ARIMA (1,0,0) (0.1,1)12
ARIMA (1,0,1) (0.1,1)12
ARIMA (0,0,1) (1.1,0)12
ARIMA (1,0,0) (1.1,0)12
ARIMA (1,0,1) (1.1,0)12
3.3.3 Pengujian Parameter
Dalam pengujian parameter, ada dua hal yang harus dilakukan yaitu : estimasi
parameter model dan menguji kesignifikansian parameter dalam model. Estimasi
parameter dan uji kesignifikansi parameter untuk setiap model penduga adalah sebagai
berikut :
MODEL ARIMA (0,0,1) (1,1,1)12
Tipe Koefisien T-Hitung P-Value Taraf signifikan
SAR 12 -0.9891 -21 0.000 0.05
MA 1 -0.4122 -2.47 0.019 0.05
SMA 12 -0.7716 -3.55 0.001 0.05
Constan 13.983 4.71 0.000 0.05
12
Berdasarkan model ARIMA (0,0,1) (1.1,1) yang melibatkan nilai parameter yang
akan diuji yaitu koefisien MA(𝜃1),SAR(α1) dan SMA(β1) . Untuk pengujian
kesignifikanan parameter dapat dilakukan dengan tahapan sebagai berikut:
Merumuskan Hipotesis
𝐻0 :𝜃1 = 0 (Parameter MA(𝜃1) tidak signifikan dalam model)
23
𝐻1: 𝜃1 ≠ 0 (Parameter MA(𝜃1) signifikan dalam model)
𝐻0 : α 1 = 0 (Parameter SAR(α1) tidak signifikan dalam model)
𝐻1: α1 ≠ 0 (Parameter SAR(α1) signifikan dalam model)
𝐻0 : β1 = 0 (Parameter SMA(β1) tidak signifikan dalam model)
𝐻1: β1 ≠ 0 (Parameter SAR(β1) signifikan dalam model)
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk MA(𝜃1), SAR(α1) dan
SMA(β1) < 0.05 yang sehingga 𝐻𝑜 ditolak.
Kesimpulan :
Berdasarkan analisa di atas dapat disimpulkan bahwa model ARIMA (0,0,1)
(1.1,1)12 layak untuk digunakan sebagai model dalam peramalan.
MODEL ARIMA (1,0,0)(1,1,1)12
T- Taraf
Tipe Koefisien Hitung P-Value signifikan
AR(1) 0.4187 2.600 0.014 0.05
SAR12 -0.9883 -2.400 0.000 0.05
SMA 12 -0.7685 -3.660 0.001 0.05
Constan 8.258 2.045 0.000 0.05
Berdasarkan model ARIMA (1,0,0) (1.1,1)12 yang melibatkan nilai parameter yang
akan diuji yaitu koefisien AR(ϕ1),SAR(α1) dan SMA(β1) . Untuk pengujian
kesignifikanan parameter dapat dilakukan dengan tahapan sebagai berikut:
Merumuskan Hipotesis
𝐻0 : ϕ 1 = 0 (Parameter AR(ϕ 1) tidak signifikan dalam model)
𝐻1: ϕ 1 ≠ 0 (Parameter AR(ϕ 1) signifikan dalam model)
𝐻0 : α 1 = 0 (Parameter SAR(α1) tidak signifikan dalam model)
𝐻1: α1 ≠ 0 (Parameter SAR(α1) signifikan dalam model)
𝐻0 : β1 = 0 (Parameter SMA(β1) tidak signifikan dalam model)
𝐻1: β1 ≠ 0 (Parameter SMA(β1) signifikan dalam model)
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk AR(ϕ1), SAR(α1) dan
SMA(β1) < 0.05 yang sehingga 𝐻𝑜 ditolak.
Kesimpulan :
Berdasarkan analisa di atas dapat disimpulkan bahwa model ARIMA (1,0,0)
(1.1,1)12 layak untuk digunakan sebagai model dalam peramalan.
MODEL ARIMA (1,0,1) (1,1,1)12
24
Diperoleh Estimasi Parameternya yaitu :
Type Coef SE Coef T P
AR 1 0.8744 0.1873 4.67 0.000
SAR 12 -0.9881 0.0483 -20.47 0.000
MA 1 0.5934 0.3175 1.87 0.071
SMA 12 -0.7454 0.2243 -3.32 0.002
Constant 1.7991 0.8983 2.00 0.054
Berdasarkan model ARIMA (1,0,1) (1.1,1)12 yang melibatkan nilai parameter yang
akan diuji yaitu koefisien AR(ϕ1),SAR(α1), MA(𝜃1)dan SMA(β1) . Untuk pengujian
kesignifikanan parameter dapat dilakukan dengan tahapan sebagai berikut:
Merumuskan Hipotesis
𝐻0 : ϕ 1 = 0 (Parameter AR(ϕ 1) tidak signifikan dalam model)
𝐻1: ϕ 1 ≠ 0 (Parameter AR(ϕ 1) signifikan dalam model)
𝐻0 : α 1 = 0 (Parameter SAR(α1) tidak signifikan dalam model)
𝐻1: α1 ≠ 0 (Parameter SAR(α1) signifikan dalam model)
𝐻0 :𝜃1 = 0 (Parameter MA(𝜃1) tidak signifikan dalam model)
𝐻1: 𝜃1 ≠ 0 (Parameter MA(𝜃1) signifikan dalam model)
𝐻0 : β1 = 0 (Parameter SMA(β1) tidak signifikan dalam model)
𝐻1: β1 ≠ 0 (Parameter SMA(β1) signifikan dalam model)
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk AR(ϕ1), SAR(α1) dan
SMA(β1) < 0.05 tapi MA(𝜃1) >0.05 yang sehingga 𝐻𝑜 diterima.
Kesimpulan :
Berdasarkan analisa di atas dapat disimpulkan bahwa model ARIMA (1,0,1)
(1.1,1)12 tidak layak untuk digunakan sebagai model dalam peramalan.
MODEL ARIMA (0,0,1)(0,1,1)12
Final Estimates of Parameters
25
𝐻0 : β1 = 0 (Parameter SMA(β1) tidak signifikan dalam model)
𝐻1: β1 ≠ 0 (Parameter SMA(β1) signifikan dalam model)
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk MA(𝜃1)dan SMA(β1)
< 0.05 yang sehingga 𝐻𝑜 ditolak.
Kesimpulan :
Berdasarkan analisa di atas dapat disimpulkan bahwa model ARIMA (0,0,1)
(0.1,1)12 layak untuk digunakan sebagai model dalam peramalan.
MODEL ARIMA (1,0,0)(0,1,1) 12
Final Estimates of Parameters
26
Berdasarkan model ARIMA (1,0,1) (0,1,1)12 yang melibatkan nilai parameter yang
akan diuji yaitu koefisien AR(ϕ1), MA(𝜃1)dan SMA(β1) . Untuk pengujian
kesignifikanan parameter dapat dilakukan dengan tahapan sebagai berikut:
Merumuskan Hipotesis
𝐻0 : ϕ 1 = 0 (Parameter AR(ϕ 1) tidak signifikan dalam model)
𝐻1: ϕ 1 ≠ 0 (Parameter AR(ϕ 1) signifikan dalam model)
𝐻0 :𝜃1 = 0 (Parameter MA(𝜃1) tidak signifikan dalam model)
𝐻1: 𝜃1 ≠ 0 (Parameter MA(𝜃1) signifikan dalam model)
𝐻0 : β1 = 0 (Parameter SMA(β1) tidak signifikan dalam model)
𝐻1: β1 ≠ 0 (Parameter SMA(β1) signifikan dalam model)
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk AR(ϕ1 ) < 0.05 tapi
MA(𝜃1) ) dan SMA(β1) > 0.05 yang sehingga 𝐻𝑜 diterima.
Kesimpulan :
Berdasarkan analisa di atas dapat disimpulkan bahwa model ARIMA (1,0,1)
(0,1,1)12 tidak layak untuk digunakan sebagai model dalam peramalan.
27
Kesimpulan :
Berdasarkan analisa di atas dapat disimpulkan bahwa model ARIMA (0,0,1)
(1,1,0)12 layak untuk digunakan sebagai model dalam peramalan.
MODEL ARIMA (1,0,0)(1,1,0)
Final Estimates of Parameters
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk AR(ϕ1) < 0.05 tapi ),
SAR(α1) >0.05 yang sehingga 𝐻𝑜 diterima.
Kesimpulan :
Berdasarkan analisa di atas dapat disimpulkan bahwa model ARIMA (1,0,0)
(1,1,0)12 tidak layak untuk digunakan sebagai model dalam peramalan.
MODEL ARIMA (1,0,1)(1,1,0)
Final Estimates of Parameters
28
𝐻1: ϕ 1 ≠ 0 (Parameter AR(ϕ 1) signifikan dalam model)
𝐻0 : α 1 = 0 (Parameter SAR(α1) tidak signifikan dalam model)
𝐻1: α1 ≠ 0 (Parameter SAR(α1) signifikan dalam model)
𝐻0 :𝜃1 = 0 (Parameter MA(𝜃1) tidak signifikan dalam model)
𝐻1: 𝜃1 ≠ 0 (Parameter MA(𝜃1) signifikan dalam model)
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk AR(ϕ1) < 0.05 tapi
MA(𝜃1) dan ), SAR(α1) >0.05 yang sehingga 𝐻𝑜 diterima.
Kesimpulan :
Berdasarkan analisa di atas dapat disimpulkan bahwa model ARIMA (1,0,1)
(1,1,0)12 tidak layak untuk digunakan sebagai model dalam peramalan.
3.3.4 Uji Kesesuaian Model
Setelah dilakukan pengujian kesignifikanan parameter, langkah selanjutnya
adalah uji kesesuaian model yang meliputi uji residual white noise dan uji asumsi
distribusi normal. Uji kesesuaian model digunakan untuk model ARIMA (0,0,1)
(1,1,1)12 , Model arima (1,0,0)(1,1,1)12, Model Arima (0,0,1)(1,1,0)12 dan Model
Arima (0,0,1)(1,1,0)12
1. Uji Residual White noise
Model ARIMA yang akan dipilih harus memenuhi asumsi white noise, yaitu
mengikuti proses yang meunjukkan tidak ada korelasi serial atau residual bersifat
acak (mean =0 dan variansi=1). Pengujian asumsi white noise dapat dilakukan
dengan menggunakan pengujian L-Jung Box Chi-square.
Model ARIMA (0,0,1) (1,1,1)12
Berikut ringkasan hasil uji Ljung-Box sebagai berikut :
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 18.3 34.7 * *
DF 8 20 * *
P-Value 0.019 0.022 * *
1. Merumuskan Hipotesis
𝐻0 : 𝜌𝑎𝑡,𝑎𝑡+𝑘= 0 (sisaan memenuhi syarat white noise)
𝐻1 : ∃ 𝜌𝑎𝑡,𝑎𝑡+𝑘≠ 0 (sisaan tidak memenuhi syarat white noise)
2. Menetapkan nilai taraf signifikansi (𝛼=0.05)
3. Menentukan statistik uji dan kriteria pengujian
29
Kriteria kesimpulan yaitu menolak 𝐻0 apabila p-value < (𝛼) dan menerima 𝐻0
apabila p-value > (𝛼).Berdasarkan tabel diperoleh untuk masing-masing lag
yaitu lag 12, 24, dan 36 memenuhi syarat p-value > (𝛼) sehingga asumsi
independensi terpenuhi.
4. Kesimpulan
Berdasarkan analisa data diatas dapat disimpulkan bahwa model ARIMA (0,0,1)
(1,1,1)12 memenuhi asumsi indenpendensi (syarat White noise) dan layak
digunakan.
Model ARIMA (1,0,0) (1,1,1)12
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 18.2 31.3 * *
DF 8 20 * *
P-Value 0.020 0.051 * *
1. Merumuskan Hipotesis
𝐻0 : 𝜌𝑎𝑡,𝑎𝑡+𝑘= 0 (sisaan memenuhi syarat white noise)
𝐻1 : ∃ 𝜌𝑎𝑡,𝑎𝑡+𝑘≠ 0 (sisaan tidak memenuhi syarat white noise)
2. Menetapkan nilai taraf signifikansi (𝛼=0.05)
3. Menentukan statistik uji dan kriteria pengujian
Kriteria kesimpulan yaitu menolak 𝐻0 apabila p-value < (𝛼) dan menerima 𝐻0
apabila p-value > (𝛼).Berdasarkan tabel diperoleh untuk masing-masing lag
yaitu lag 12, 24, dan 36 memenuhi syarat p-value > (𝛼) sehingga asumsi
independensi terpenuhi.
4. Kesimpulan
Berdasarkan analisa data diatas dapat disimpulkan bahwa model ARIMA (1,0,0)
(1,1,1)12 tidak memenuhi asumsi indenpendensi (syarat White noise) dan tidak
layak digunakan.
Model ARIMA (0,0,1) (0,1,1)12
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 13.5 23.9 * *
DF 9 21 * *
P-Value 0.141 0.297 * *
1. Merumuskan Hipotesis
𝐻0 : 𝜌𝑎𝑡,𝑎𝑡+𝑘= 0 (sisaan memenuhi syarat white noise)
30
𝐻1 : ∃ 𝜌𝑎𝑡,𝑎𝑡+𝑘≠ 0 (sisaan tidak memenuhi syarat white noise)
2. Menetapkan nilai taraf signifikansi (𝛼=0.05)
3. Menentukan statistik uji dan kriteria pengujian
Kriteria kesimpulan yaitu menolak 𝐻0 apabila p-value < (𝛼) dan menerima 𝐻0
apabila p-value > (𝛼).Berdasarkan tabel diperoleh untuk masing-masing lag
yaitu lag 12, 24, dan 36 memenuhi syarat p-value > (𝛼) sehingga asumsi
independensi terpenuhi.
4. Kesimpulan
Berdasarkan analisa data diatas dapat disimpulkan bahwa model ARIMA (0,0,1)
(0,1,1)12 tidak memenuhi asumsi indenpendensi (syarat White noise) dan tidak
layak digunakan.
Model ARIMA (0,0,1) (1,1,0)12
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 16.3 27.1 * *
DF 9 21 * *
P-Value 0.061 0.167 * *
1. Merumuskan Hipotesis
𝐻0 : 𝜌𝑎𝑡,𝑎𝑡+𝑘= 0 (sisaan memenuhi syarat white noise)
𝐻1 : ∃ 𝜌𝑎𝑡,𝑎𝑡+𝑘≠ 0 (sisaan tidak memenuhi syarat white noise)
2. Menetapkan nilai taraf signifikansi (𝛼=0.05)
3. Menentukan statistik uji dan kriteria pengujian
Kriteria kesimpulan yaitu menolak 𝐻0 apabila p-value < (𝛼) dan menerima 𝐻0
apabila p-value > (𝛼).Berdasarkan tabel diperoleh untuk masing-masing lag
yaitu lag 12, 24, dan 36 memenuhi syarat p-value > (𝛼) sehingga asumsi
independensi terpenuhi.
4. Kesimpulan
Berdasarkan analisa data diatas dapat disimpulkan bahwa model ARIMA (0,0,1)
(1,1,0)12 tidak memenuhi asumsi indenpendensi (syarat White noise) dan tidak
layak digunakan.
2. Uji Asumsi Distribusi Normal
Uji asumsi distribusi normal bertujuan untuk mengetahui apakah data teleh
memenuhi asumsi kenormalan atau belum. Salah satu cara yang ditempuh untuk
31
melakukan uji asumsi kenormalan ini adalah uji Kolmogorof Smirnov dengan
menggunakan pedoman pengambilan keputusan sebagai berikut.
Jika p-value < 0,05 ,data tidak berasal dari populasi yang berdistribusi normal.
Jika p-value > 0,05, data berasal dari populasi yang berdistribusi normal.
32
April 100.7811383 86.453 115.11 111 10.2189
Mei 106.0032553 91.675 120.332 114 7.99674
Juni 109.2395944 94.911 123.568 123 13.7604
Juli 108.618176 94.29 122.947 126 17.3818
Agustus 102.9381352 88.61 117.267 130 27.0619
Septembe
r 123.9975414 109.669 138.326 134 10.0025
Oktober 111.5854028 97.257 125.914 117 5.4146
November 114.8772063 100.549 129.206 123 8.12279
Desember 173.2063919 158.878 187.535 134 -39.206
Berdasarkan diatas dapat dilihat hasil peramalan untuk bulan Januari 2017 sampai
bulan Desember 2017 tidak jauh berbeda dari data jumlah Persentasi Target dan
Realisasi Kota Makassar yang sebenarnya.
BAB IV
PENUTUP
4.1 Kesimpulan
Berdasarkan pembahasan yang telah dipaparkan pada Laporan Kerja
Praktek (KP) di Kantor Balai Besar Meteorologi, Klimatologi dan Geofisika
Wilayah IV Makassar, maka penyusun mengambil kesimpulan yaitu :
1. Kerja Praktek (KP) adalah sarana yang sangat tepat untuk memberi pelajaran
sebelum menghadapi dunia kerja.
2. Kerja Praktek (KP) dapat melatih dan mempraktikkan kemampuan ilmu
pengetahuan yang dimiliki selama kuliah pada instansi tersebut
Kesimpulan lain yang di peroleh berdasarkan hasil dari penerapan dan keterkaitan
statistika yaitu:
1. Berdasarkan hasil pengolahan data yang dilakukan, model terbaik untuk meramalkan
rata-rata persentase dari data target dan realisasi pembayaran PBB 2017 adalah model
ARIMA (0,0,1)(1,1,1)12
33
DAFTAR PUSTAKA
34
Lampiran 1 Struktur Organisasi BAPENDA Kota Makassar
KEPALA BADAN
SEKRETARIS
KELOMPOK
JABATAN FUNGSIONAL
SUBAG SUBAG SUBAG UMUM DAN
PERENCANAAN DAN KEUANGAN KEPEGAWAIAN
Bidang Pendaftaran dan Bidang Pajak I dan Bidang Pajak Daerah II Bidang Koordinasi,
Pendataan Retribusi Daerah Pengawasan dan
Perencanaan
Sub Bidang Hotel dan Air
Sub Bidang Pendataan Sub Bidang Restoran, Bawah Tanah
Minerba & Sarang Burung Sub Bidang Koordinasi
Wilayah I
Walet Perencanaan dan Regulasi
Sub Bidang Hiburan dan
Sub Bidang Pendataan Pajak Penerangan Jalan
Sub BIdang Reklame, Sub Bidang Penagihan
Wilayah II Paerkir dan Retyribusi Pajak Daerah dan
Daerah Sub Bidang Penetapan , Retribusi Daerah
Sub Bidang Pengolahan Pembukuan dan Pelaporan
Data dan Informasi Sub Bidang Penetapan Pajak Sub Bidang Pembinaan,
Pembukaan dan Pelaporan Pengawasan dan
Pajak Daerah Penindakan
Target (Rp) Realisasi (Rp) Target (Rp) Realisasi (Rp) Target (Rp) Realisasi (Rp)
2,818,092,500
Januari 2,734,759,167 574,299,425 724,979,776 3,026,425,833 1,257,930,881
2,818,092,500
Februari 2,818,092,500 2,198,112,150 2,427,539,920 3,026,425,833 2,855,239,437
2,818,092,500
Maret 2,818,092,500 2,395,378,625 2,478,621,531 3,026,425,833 2,759,011,360
2,818,092,500
April 2,818,092,500 1,775,398,275 1,981,488,635 3,026,425,833 2,646,709,292
2,818,092,500
Mei 2,818,092,500 1,972,664,750 2,296,956,384 3,026,425,833 2,941,208,072
2,818,092,500
Juni 2,818,092,500 2,141,750,300 2,518,622,812 3,026,425,833 3,101,471,120
2,818,092,500
Juli 2,818,092,500 2,085,388,450 2,512,813,309 3,026,425,833 3,044,196,807
2,818,092,500
Agustus 2,818,092,500 2,226,293,075 2,346,374,747 3,026,425,833 2,862,022,475
2,818,092,500
September 2,818,092,500 2,282,654,925 2,240,227,436 3,026,425,833 3,354,906,919
2,818,092,500
Oktober 2,818,092,500 2,508,102,325 2,499,153,044 3,026,425,833 3,097,283,103
2,818,092,500
November 2,818,092,500 2,987,178,050 2,952,763,990 3,026,425,833 3,348,375,661
2,818,092,500
Desember 2,818,092,500 3,973,510,425 4,247,441,485 3,026,425,833 4,745,867,942
36
Data Target dan Realisasi PBB Kota Makassar
BULAN 2016 2017
Target (Rp) Realisasi (Rp) Target (Rp) Realisasi (Rp)
Januari 3,724,780,500 1,702,622,349 3,808,113,833 1,906,357,456
Februari 3,724,780,500 3,781,836,764 3,808,113,833 4,032,309,100
Maret 3,724,780,500 3,135,256,274 3,808,113,833 3,509,656,193
April 3,724,780,500 3,328,828,139 3,808,113,833 4,230,251,218
Mei 3,724,780,500 3,459,925,196 3,808,113,833 4,341,906,518
Juni 3,724,780,500 3,565,435,533 3,808,113,833 4,700,204,298
Juli 3,724,780,500 3,595,288,315 3,808,113,833 4,782,253,769
Agustus 3,724,780,500 3,248,437,916 3,808,113,833 4,959,990,862
September 3,724,780,500 3,777,067,550 3,808,113,833 5,084,905,201
Oktober 3,724,780,500 3,554,316,166 3,974,780,500 4,652,138,546
November 3,724,780,500 3,562,016,403 3,974,780,500 4,872,198,482
Desember 3,724,780,500 6,253,285,784 3,974,780,500 5,321,207,684
37
Lampiran 3
Nilai ACF Musiman
Autocorrelation Function: Persentase
Lag PACF T
1 -0.071340 -0.49
2 0.056179 0.39
3 0.163685 1.13
4 0.044864 0.31
5 0.055073 0.38
6 0.050073 0.35
7 0.051229 0.35
8 -0.053820 -0.37
9 0.055543 0.38
10 -0.035215 -0.24
11 -0.309473 -2.14
12 0.703782 4.88
13 -0.050294 -0.35
14 -0.038381 -0.27
15 -0.174977 -1.21
16 -0.018091 -0.13
17 -0.097111 -0.67
18 -0.029424 -0.20
19 -0.066011 -0.46
20 0.003026 0.02
21 0.009820 0.07
22 -0.059937 -0.42
23 0.222871 1.54
24 -0.157831 -1.09
25 -0.025630 -0.18
26 -0.189521 -1.31
27 -0.117025 -0.81
28 -0.176366 -1.22
29 0.001043 0.01
30 -0.029659 -0.21
31 0.014871 0.10
32 0.016807 0.12
33 -0.075234 -0.52
34 0.165304 1.15
35 -0.073796 -0.51
36 -0.064058 -0.44
37 0.016469 0.11
38 -0.000287 -0.00
39 0.106486 0.74
40 0.064071 0.44
41 0.056582 0.39
42 -0.086342 -0.60
43 -0.000430 -0.00
44 -0.020914 -0.14
45 0.026205 0.18
46 -0.044332 -0.31
47 -0.011827 -0.08
2
Lampiran 5
Nilai ACF data Non- Musiman
Autocorrelation Function: C7
3
Lampiran 6
Nilai PACF data Non-Musiman
Lag PACF T
1 -0.071340 -0.49
2 0.056179 0.39
3 0.163685 1.13
4 0.044864 0.31
5 0.055073 0.38
6 0.050073 0.35
7 0.051229 0.35
8 -0.053820 -0.37
9 0.055543 0.38
10 -0.035215 -0.24
11 -0.309473 -2.14
12 0.703782 4.88
13 -0.050294 -0.35
14 -0.038381 -0.27
15 -0.174977 -1.21
16 -0.018091 -0.13
17 -0.097111 -0.67
18 -0.029424 -0.20
19 -0.066011 -0.46
20 0.003026 0.02
21 0.009820 0.07
22 -0.059937 -0.42
23 0.222871 1.54
24 -0.157831 -1.09
25 -0.025630 -0.18
26 -0.189521 -1.31
27 -0.117025 -0.81
28 -0.176366 -1.22
29 0.001043 0.01
30 -0.029659 -0.21
31 0.014871 0.10
32 0.016807 0.12
33 -0.075234 -0.52
34 0.165304 1.15
35 -0.073796 -0.51
36 -0.064058 -0.44
37 0.016469 0.11
38 -0.000287 -0.00
39 0.106486 0.74
40 0.064071 0.44
41 0.056582 0.39
42 -0.086342 -0.60
43 -0.000430 -0.00
44 -0.020914 -0.14
45 0.026205 0.18
46 -0.044332 -0.31
47 -0.011827 -0.08
4
5