Kapita Selekta Laporan

LAPORAN
KERJA PRAKTEK
KANTOR BADAN PENDAPATAN DAERAH

KOTA MAKASSAR
Jalan Urip Sumoharjo No 8
17 Desember 2018 –25 Januari 2019
Halaman Sampul
Kkek
KELOMPOK VIII
ANDI RISKA FITRIANI H121 16 004

DEWI RAHMA ENTE H121 16 006
PROGRAM STUDI STATISTIKA
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
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
1 Andi Riska Fitriani H12116004
2 Dewi Rahma Ente H12116006
Disetujui / Disahkan Oleh :

Makassar, 9 April 2019
Supervisor Lokasi Dosen Pembimbing
Nur Asia,SE Anisa,S.Si,M.Si

NIP NIP. 19730227 199802 2 001
Kepala UPTD Badan Ketua Departemen Matematika

Universitas Hasanuddin,
Indirwan Darmayasair,S.STP Prof. Dr. Drs. Amir Kamal Amir, M.Sc

NIP. NIP. 19680803 199202 1 001
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 Latar Belakang

Perkembangan teknologi yang begitu pesat saat ini memicu gejala globalisasi
informasi yang merupakan tantangan bagi Mahasiswa untuk terus mengembangkan
kemampuannya. Sejak diterima sebagai Mahasiswa di perguruan tinggi sampai
menjelang akhir studi, Mahasiswa lebih banyak memperoleh pengetahuan teori dan
keterampilan melalui mendengar, melihat dan praktek disertai diskusi. Tingkat
penguasaannya mungkin belum seperti apa yang diharapkan, artinya belum dapat
menerapkan atau mempraktekkan pengetahuan yang sudah didapat selama perkuliahan.
Hal ini karena dunia kerja masih terasa asing bagi Mahasiswa. Untuk dapat
mengenal dunia kerja dan sekaligus mempraktekkan yang sudah diperoleh selama
proses perkuliahan, maka dilaksanakanlah mata kuliah Kerja Praktek pada sebuah
Instansi Instansi, perusahaan, dan Lembaga Sosial Kemasyarakatan. Keberadaan mata
kuliah ini merupakan implementasi pemikiran bahwa seorang sarjana statistika
disamping menguasai teori statistika, secara matematis mereka juga memerlukan
pengalaman praktis mengenai objek-objek penerapan statistika dalam dunia kerja.
Selain itu, sebagai pemuatan kompetensi mengenai kemampuan menyesuaikan diri,
berinteraksi dan bekerja sama dengan pihak lain. Dengan demikian kami tidak akan
menjadi mahasiswa yang terjebak dengan segala idealisme kami, tetapi kami juga
mengetahui realita dari dunia kerja.
Mengingat pentingnya mata kuliah ini dan telah terlaksananya Kerja Praktek ini
selama enam minggu di Badan Pendapatan Daerah Kota Makassar (BAPENDA)
maka dirasa perlu suatu Laporan Kerja Praktek dibuat untuk memberikan gambaran
tentang aktivitas dan pengalaman-pengalaman yang diperoleh selama pelaksanaan
Kerja Praktek.
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 :
1. Mendapatkan pengalaman awal untuk memahami bagaimana perkantoran/institusi

itu, sistem pelayanan komersial atau non-komersial tertentu melalui penjaringan dan
penataan data/statistika.
2. Mengenal berbagai fungsi atau manfaat data/statistik dalam penetapan kebijakan
3. Menemu-kenali penerapan teori statisika dari yang paling sederhana sampai ke
bentuk kompleks untuk mendapatkan informasi dari sekelompok data.
4. Mempelajari perangkat lunak aplikasi statistik yang diinginkan pada instansi
tertentu.
5. Mengenal tingkat dedikasi, ketaatan/loyalitas dan pola kerja professional yang patut
diemban seorang karyawan atau pimpinan untuk meningkatkan keterampilannya
secara progresif yang mengarah pada pengembangan diri dan instansi.
6. Memperkaya pengetahuan praktis dalam penyelenggaraan suatu proyek atau
aktivitas yang terencana sebelumnya
Tujuan lain adalah mendapatkan manfaat baik Program Studi Statistika maupun
instansi tempat kerja praktek sehingga memperoleh masukan mengenai kecakapan dan
kompetensi yang patut dimiliki seorang calon tenaga kerja yang berlatar belakang
pendidikan tinggi statistika. Sehingga instansi dan institusi pendidikan tinggi bisa saling
tukar informasi melalui peserta kerja praktek, bagaimana kurikulum pendidikan tinggi
dikembangkan sehingga sejalan antara kebutuhan dunia kerja dan ketersediaaan tenaga
kerja yang tepat.
1.3 Lokasi/Instansi Kerja Praktek

1.3.1 Tempat Pelaksanaan Kerja Praktek
Kerja Praktek ini dilaksanakan di Kantor Badan Pendapatan Daerah Kota
Makassar yang beralamat di Jln. Urip Sumoharjo No. 8 Makassar.
1.3.2 Waktu Pelaksanaan Kerja Praktek
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.
1.4 Gambaran Umum Instansi Kerja Praktek

1.4.1 Sejarah Singkat Bapenda
Sebelum terbentuknya Dinas Pendapatan Kotamadya Tingkat II Makassar, Dinas
pasar, Dinas Air Minum, dan Dinas Penghasilan daerah dibentuk berdasarkan Surat
Keputusan Walikotamadya No. 155/Kep/A/V/1973 tanggal 24 Mei 1973 terdiri dari
beberapa Sub Dinas Terminal Angkutan, Sub Dinas Pengolahan Tanah Pasir, Sub Dinas
Taman Hiburan Rakyat, Sub Dinas Pemeriksaan Kendaraan Tidak Bermotor, dan Sub
Dinas Administrasi.
Dengan adanya keputusan Walikotamadya Keputusan Daerah Tingkat II Ujung
Pandang No. 74/S/Kep/A/V/1977 tanggal 1 April 1977 bersamaan dengan Surat Edaran
Menteri Dalam Negeri No. 3/12/43 tanggal 9 September 1975 dan Instruktur Menteri
Gubernur Kepala Daerah Tingkat I Sulawesi Selatan tanggal 25 Oktober 1975 No.
Keu/3/22/33 tentang Pembentukan Dinas Pendaptan Daerah di Kabupaten dan
Kotamadya Daerah Tingkat II Sulawesi Selatan, maka Dinas Penghasilan Daerah
Kotamadya Ujung Pandang telah disempurnakan dan ditetapkan perubahan namanya
menjadi Dinas Penghasilan Daerah yang kemudian menjadi unit-unit yang menangani
sumber-sumber keuangan daerah seperti Dinas Perpajakan, Dinas Pasar, dan Sub Dinas
Perlelangan Ikan dan semua Sub-sub Dinas dalam unit penghasilan daerah yang
tergabung dalam unit penghasilan daerah dilebur dan dimasukkan pada unit kerja Badan
Pendapatan Daerah Kotamadya Ujung Pandang, seiring dengan adanya perubahan
Kotamadya Ujung Pandang menjadi Kota Makassar, maka secara otomatis nama Badan
Pendapatan Daerah Kotamadya Ujung Pandang berubah menjadi Badan Pendapatan
Daerah Kota Makassar .
1.4.2 Kedudukan, Tugas, Fungsi, dan Kewenangan Badan Pendapatan
Adapun kedudukan, tugas pokok, dan fungsi Badan Pendapatan Daerah Kota
Makassar sebagai berikut:
a. Kedudukan
Berdasarkan Peraturan Daerah Kota Makassar Nomor 3 Tahun 2009 tentang
Pembentukan Susunan Organisasi Perangkat Daerah Kota Makassar, Badan Pendapatan
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.
1.4.3 Visi dan Misi Badan Pendapatan Daerah Kota Makassar

Hakekat membentuk visi adalah menggali gambaran bersama mengenai masa
depan, berupa komitmen murni tanpa adanya rasa terpaksa. Visi adalah mental model
masa depan dengan demikian visi harus menjadi milik bersama dan diyakini oleh
seluruh anggota organisasi.
Visi adalah suatu gambaran menantang tentang keadaan masa depan yang
berisikan cita dan citra yang ingin diwujudkaninstansi pemerintah. Penetapan visi,
sebagai bagian dari perencanaan strategi, merupakan sutau langkah penting dalam
perjalanan suatu organisasi. Visi tidak hanya penting pada waktu mulai berkarya, tetapi
juga pada kehidupan organisasi itu selanjutnya. Kehidupan organisasi sangat
dipengaruhi oleh perubahan lingkungan internal dan eksternal. Oleh karenanya, visi
organisasi juga harus menyesuaikan dengan perubahan tersebut dan jika menang perlu
visi dapat di ubah dan disempurnakan.
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;
5) Meningkatkan pengawasan pengelolaan pendapatan daerah;
6) Meningkatkan kemampuan SDM;
7) Melakukan evaluasi secara berkala;
8) Menyediakan sarana dan prasarana yang memadai yang berbasis Teknologi

Informasi dan Komunikasi;
9) Meningkatkan penyuluhan, pelayanan dan pengawasan agar terbina kesadaran

wajib pajak/wajib retribusi.
1.4.4 Struktur Organisasi Bapenda
Struktur organissasi ini memperlihatkan pembagian kerja dan bagaimana fungsi atau
kegiatan yang berbeda bisa dikoordinasikan dengan baik. menjalankan sesuai dengan
tugas dan fungsi masing-masing jabatan. Struktur organisasi ini secara jelas mampu
memisahkan tanggung jawab dan wewenang anggotanya. Struktur organisasi BAPENDA
Kota Makassar pada lampiran.
6
BAB II
DESKRIPSI AKTIVITAS
2.1 DESKRIPSI KEGIATAN.

2.1.1 Andi Riska Fitriani
Selama melaksanakan Kerja Praktek di Badan Pendapatan Daerah Kota Makassar
dari tanggal 17 Desember 2018 – 25 Januari 2019, penyusun ditempatkan pada satu
bidang, yaitu bidang Pajak Bumi Dan Bangunan (PBB)
Minggu I (17-21 Desember 2018)
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)
Libur
Libur
7
Penginputan berkas selesai dan penginputan berkas masuk
Pengarsipan berkas, Administrasi dan pelayanan wajib pajak (WP)
Pelayanan WP, Pengarsipan berkas dan Administrasi
Minggu III (31 Desember 2018 – 04 Januari 2019)

 Selasa (01 Januari 2019)
Libur
 Rabu (02 Januari 2019)
 Kamis (03 Januari 2019)
 Jumat (04 Januari 2019)
Minggu IV (07 -11 Januari 2019)
 Senin (07 Januari 2019)

Minggu V (14-18 Januari 2019)

8
MInggu VI ( 21 – 25 Januari 2019)

2.1.2 Dewi Rahma Ente
Selama melaksanakan Kerja Praktek di Badan Pendapatan Daerah Kota Makassar

dari tanggal 17 Desember 2018 – 25 Januari 2019, penyusun ditempatkan pada satu
bidang, yaitu bidang Pajak Bumi Dan Bangunan (PBB)
Minggu I (17-21 Desember 2018)
Garis besar aktivitas pada minggu pertama adalah Orientasi (Pengenalan) Badan
Pendapatan Daerah Kota Makassar, sub Bagian Pajak Bumi Bangunan.
Orientasi pengenalan lingkungan kerja, Pengenalan Staff dan Penempatan di
bagian Pajak Bumi Bangunan.
Pengajaran pengecekan tunggakan pembayaran PBB
Pengecekan NJOP dan pengisian buku agenda.
9
Pengurusan berkas yang bermasalah pada bagian percetakan PBB
Pencetakan simulasi PBB
Minggu II (24-28 Desember 2018)
Libur
Libur
Penginputan berkas selesai dan penginputan berkas masuk
Pelayanan WP, Pengarsipan berkas dan Administrasi
Minggu III (31 Desember 2018 – 04 Januari 2019)

Libur
Minggu IV (07 -11 Januari 2019)

10
Minggu V (14-18 Januari 2019)

MInggu VI ( 21 – 25 Januari 2019)

2.2 Hasil Kerja
Selama pelaksanaan Kerja Praktek di Badan Pendapatan Daerah kota Makassar
banyak hal positif yang kami peroleh, baik pengalaman maupun pengetahuan. Hasil
atau manfaat yang kami peroleh diantaranya:
 Mendapatkan pengalaman baru di dunia pekerjaan
Selama menjalani Kerja Praktek, banyak hal baru yang kami temukan terutama
yang berkaitan dengan manajemen data di BAPENDA.
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
3.1. Deskripsi Data

Data yang digunakan dalam penelitian ini merupakan data sekunder yaitu persentasi
data bulanan tentang target dan realisasi Pajak Bumi Bangunan dari tahun 2013 – 2016.
Data tersebut diperoleh di sub-bagian data Bapenda.
3.2. Teknik Analisis Data

Dalam penelitian ini data persentasi realisasi PBB digunakan analisi time series
dengan metode SARIMA (Seasonal Autoregressive Integrated Moving Average)
3.2.1 Analisis Deret Waktu

Analisis deret waktu dikenalakan oleh George E. P. Box dan Gwilym M. Jenkins
pada tahun 1970 melalui bukunya Time Series Analysis : forecasting and control. Sejak
saat itu, time series mulai banyak dikembangkan. Dasar pemikiran time series adalah
pengamatan sekarang (Zt) tergantung pada satu atau beberapa pengamatan sebelumnya
(Zt-1) (Budi.2010).
1. Fungsi Autokorelasi dan Autokorelasi Parsial

a. Fungsi Autokorelasi (FAK) atau Autocorrelation Function (ACF)
pada dasarnya koefisien autokorelasi menunjukkan korelasi antara deret berkala
dengan deret berkala itu sendiri dengan selisih waktu (lag) 0, 1, 2 periode atau lebih.
kovarian antara Zt dan Zt+k adalah sebagai berikut:
𝛾k= 𝐶𝑜(𝑍t, 𝑍t+k) = 𝐸(𝑍t− 𝜇)
Dan korelasi antara 𝑍t dan 𝑍t+k adalah:
ρk =Cov ¿ ¿
b. Fungsi Autokorelasi Parsial (FAKP) atau Partial Autocorrelation Function (PACF)
autokorelasi parsial digunakan untuk mengukur tingkat keeratan antara Z t dan Zt+k
apabila pengaruh dari lag waktu (time lag) 1, 2, 3,…,k-1 dianggap terpisah. Koefisien
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
5. Pengertian SARIMA (Seasonal Autoregressive Integrated Moving Average)

Seasonal ARIMA merupakan model ARIMA yang mengandung faktor musiman.
Musiman mengartikan bahwa data memiliki kecenderungan mengulangi pola tingkah
gerak dalam periode musim.
Periode musiman (s):
a. data bulanan, biasanya s=12
b. data triwulan, biasanya s=4
c. data harian, biasanya s=7 atau 5
Oleh sebab itu, runtun waktu musiman mempunyai karakteristik yang ditunjukkan
oleh adanya korelasi beruntun yang kuat pada jarak musiman (periode musim), yaitu
waktu yang berkaitan dengan banyak observasi pada per periode musim.
6. Model ARIMA dan Faktor Musim (SARIMA)
Notasi ARIMA dapat diperluas untuk menangani aspek musiman, notasi umumnya
adalah:
ARIMA (p,d,q) (P,D,Q)S
Dengan
P,d,q : bagian yang tidak musiman dari model
(P,D,Q)S : bagian musiman dari model
S : jumlah periode per musim
Adapun rumus umum dar ARIMA (p,d,q) (P,D,Q)S
𝜙p(𝐵)Φ(𝐵s)(1 − 𝐵)d(1 – 𝐵s)d X t = 𝜃q(𝐵)ΘQ(𝐵s) e t
Model Seasonal Autoregressive Integrated Moving Average (SARIMA) merupakan

pengembangan model ARIMA. Berikut ini adalah langkah-langkah seasonal pada
SARIMA:
a. Mengidentifikasi seasonal data dengan menggunakan ACF/PACF pada seasonal lags,
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.
Tabel 3.1Pola Plotting ACF dan PACF Serta ARIMA Tentatif
ACF PACF ARIMA(p,d,q)

Menurun secara
Menuju nol setelah lag q. bertahap/bergelombang ARIMA (0, d, q)
Menurun secara
bertahap/bergelombang. Menuju nol setelah lag q. ARIMA (p, d, 0)
Menurun secara Menurun secara
bertahap/bergelombang. bertahap/bergelombang ARIMA (p, d, q)
c. Mengidentifikasi struktur SARIMA (p, d, q) (P, D, Q)s;
d. Mengestimasi parameter yang tidak diketahui;
e. Melakukan uji Goodness of Fit terhadap estimasi residual;
f. Melakukan peramalan dari data yang diketahui.
3.3. Hasil dan Pembahasan

Data yang terdapat pada Lampiran 2 kami menggunakan data persentasinya dimana
data tersebut termasuk data runtun waktu. Data runtun waktu (time series) adalah jenis
data yang dikumpulkan menurut urutan waktu dalam suatu rentang waktu tertentu
sehingga model yang digunakan untuk memodelkan tipe ini adalah model-model time
series.
Data Persentasi Target dan Realisasi PBB

Tahun -
2013 2014 2015 2016 2017
21 26 42 46 110
78 86 94 102 109
85 88 91 84 92
63 70 87 89 102
70 82 97 93 96
76 89 102 96 94
74 89 101 97 96
79 83 95 87 92
81 79 111 101 91
89 89 102 95 93
106 105 111 96 86
141 151 157 168 107
Pada data persentasi diatas digunakan data dari tahun 2013 sampai tahun 2016
dimana akan diramalkan untuk tahun 2017 serta data di tahun 2017 akan digunakan
15
sebagai validasi dari peramalan di Laporan ini. Untuk menyelesaikan hasil dan
pembahasan digunakan aplikasi Minitab 2016 dan E-Views 10.
3.3.1 Identifikasi Model

Berikut adalah langkah-langkah dalam melakukan tahap identifikasi proses analisis
deretwaktu model ARIMA:Langkah awal dari analisis deret waktu ini adalah
memeriksa kestationeran dari data yaitu dengan cara membuat plot dari data persentasi
target dan realisasi pajak bumi bangunan. Jika data belum stationer dalam rata-rata
maka perlu dilakukan differencing dan jika data belum stationer dalam variansi maka
perlu dilakukan transformasi pada data. Berikut ini adalah plot dari data persentasi
target dan realisasi PBB perbulan dari tahun 2013 – 2016.
Gambar 1 Plot Data Asli Persentasi Target dan Realisasi PBB
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
 Uji Stationer Dalam Variansi
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.
Gambar 2 Box-Cox dari data Asli
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.
 Uji Stationer Dalam Rata-Rata
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
Gambar 4 PACF 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 )
𝐻1:𝜌≠0 ( Data Persentasi Target dan realisasi PBB stasioner )

Taraf Nyata: 𝛼=0.05
Kriteria pengujian :
Jika nilai p-value <0.05, maka 𝐻𝑂 di tolak,
18
Jika nilai p-value ≥ 0.05 maka gagal tolak 𝐻𝑂
Statistik Uji menggunakan Eviews:
Gambar 5 uji Augmented Duckey Fuller
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
Gambar 7 PACF Data Non-Musiman
20
Date: 03/25/19 Time: 21:36
Sample: 1 48
Included observations: 36
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
1 0.571 0.571 12.747 0.000

2 0.433 0.158 20.281 0.000
3 0.344 0.070 25.189 0.000
4 0.269 0.021 28.282 0.000
5 0.277 0.109 31.661 0.000
6 0.041 -0.286 31.736 0.000
7 0.002 -0.011 31.736 0.000
8 0.008 0.050 31.740 0.000
9 -0.161 -0.250 33.060 0.000
10 -0.202 -0.086 35.214 0.000
11 -0.286 -0.047 39.680 0.000
12 -0.284 -0.073 44.289 0.000
13 -0.293 -0.102 49.400 0.000
14 -0.240 0.190 52.969 0.000
15 -0.061 0.231 53.208 0.000
16 -0.093 -0.142 53.801 0.000
17 -0.128 -0.095 54.976 0.000
18 -0.104 0.035 55.790 0.000
19 -0.047 -0.055 55.967 0.000
20 -0.016 -0.167 55.989 0.000
21 -0.050 0.057 56.218 0.000
22 -0.064 -0.077 56.614 0.000
23 -0.000 -0.109 56.614 0.000
24 0.045 0.157 56.845 0.000
25 -0.044 -0.065 57.084 0.000
26 -0.058 -0.086 57.548 0.000
27 -0.114 -0.063 59.519 0.000
28 -0.138 0.001 62.774 0.000
29 -0.064 0.006 63.581 0.000
30 -0.036 0.041 63.868 0.000
31 -0.002 0.033 63.869 0.000
32 0.009 0.014 63.897 0.001
33 -0.021 -0.057 64.089 0.001
34 0.007 -0.087 64.122 0.001
35 -0.001 0.001 64.122 0.002
Gambar 8 Correlogram Data Non-Musiman
Null Hypothesis: SERIES01 has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=9)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.950257 0.0498

Test critical values: 1% level -3.632900
5% level -2.948404
10% level -2.612874
*MacKinnon (1996) one-sided p-values.
Gambar 9 Uji ADF di E-views
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.
3.3.2 Pendugaan Model

Pendugaan model dilakukan dengan melihat diagram ACF dan diagram PACF.
Melalui perhitungan ACF kita dapat menentukan model autoregresisive (AR) atau
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
Gambar 11 PACF 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
𝐻0 : ϕ 1 = 0 (Parameter AR(ϕ 1) tidak signifikan dalam model)
𝐻1: ϕ 1 ≠ 0 (Parameter AR(ϕ 1) 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 :
 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
akan diuji yaitu koefisien AR(ϕ1),SAR(α1), MA(𝜃1)dan SMA(β1) . Untuk pengujian
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 :
(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

MA 1 -0.3736 0.1794 -2.08 0.045
SMA 12 0.6380 0.2889 2.21 0.034
Constant 6.1659 0.8643 7.13 0.000
Berdasarkan model ARIMA (0,0,1) (0,1,1)12 yang melibatkan nilai parameter yang
akan diuji yaitu koefisien MA(𝜃1) dan SMA(β1) . Untuk pengujian kesignifikanan
parameter dapat dilakukan dengan tahapan sebagai berikut:
25
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk MA(𝜃1)dan SMA(β1)
< 0.05 yang sehingga 𝐻𝑜 ditolak.
Kesimpulan :
 MODEL ARIMA (1,0,0)(0,1,1) 12

AR 1 0.5392 0.1526 3.53 0.001
SMA 12 0.1322 0.2514 0.53 0.602
Constant 2.657 1.174 2.26 0.030
akan diuji yaitu koefisien AR(ϕ1) dan SMA(β1) . Untuk pengujian kesignifikanan
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk AR(ϕ1) < 0.05 tapi
SMA(β 1) > 0.05 yang sehingga 𝐻𝑜 diterima.
Kesimpulan :
(0,1,1)12 tidak layak untuk digunakan sebagai model dalam peramalan.
 MODEL ARIMA (1,0,1)(0,1,1)12

AR 1 0.8148 0.2189 3.72 0.001
MA 1 0.4379 0.3499 1.25 0.220
SMA 12 0.2001 0.2490 0.80 0.428
Constant 1.0145 0.6227 1.63 0.113
26
akan diuji yaitu koefisien AR(ϕ1), MA(𝜃1)dan SMA(β1) . Untuk pengujian
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 :
 MODEL ARIMA (0,0,1)(1,1,0)12


SAR 12 -0.5630 0.2417 -2.33 0.026
MA 1 -0.3923 0.1739 -2.26 0.031
Constant 10.315 1.896 5.44 0.000
12
Berdasarkan model ARIMA (0,0,1) (1,1,0) yang melibatkan nilai parameter yang
akan diuji yaitu koefisien MA(𝜃1) dan SAR(α1) . Untuk pengujian kesignifikanan
Uji p-value
Berdasarkan data pada tabel diatas, diperoleh p-value untuk MA(𝜃1), SAR(α1) <
0.05 yang sehingga 𝐻𝑜 ditolak.
27
Kesimpulan :
(1,1,0)12 layak untuk digunakan sebagai model dalam peramalan.
 MODEL ARIMA (1,0,0)(1,1,0)

AR 1 0.4984 0.1577 3.16 0.003
SAR 12 -0.2642 0.2461 -1.07 0.291
Constant 3.850 1.337 2.88 0.007
12
Berdasarkan model ARIMA (1,0,0) (1,1,0) yang melibatkan nilai parameter yang
akan diuji yaitu koefisien AR(ϕ1),SAR(α1). Untuk pengujian kesignifikanan
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 :
 MODEL ARIMA (1,0,1)(1,1,0)

AR 1 0.8356 0.2240 3.73 0.001
SAR 12 -0.3737 0.2295 -1.63 0.113
MA 1 0.5113 0.3494 1.46 0.153
Constant 1.3286 0.6827 1.95 0.060
akan diuji yaitu koefisien AR(ϕ1), SAR(α1), MA(𝜃1). Untuk pengujian
28
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 :
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
Lag 12 24 36 48
Chi-Square 18.2 31.3 * *
DF 8 20 * *
P-Value 0.020 0.051 * *
4. Kesimpulan
(1,1,1)12 tidak memenuhi asumsi indenpendensi (syarat White noise) dan tidak
layak digunakan.
Model ARIMA (0,0,1) (0,1,1)12
Lag 12 24 36 48
Chi-Square 13.5 23.9 * *
DF 9 21 * *
P-Value 0.141 0.297 * *
30
4. Kesimpulan
layak digunakan.
Model ARIMA (0,0,1) (1,1,0)12
Lag 12 24 36 48
Chi-Square 16.3 27.1 * *
DF 9 21 * *
P-Value 0.061 0.167 * *
4. Kesimpulan
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.
Setelah residual memenuhi asumsi White noise, selanjutnya dilakukan pengujian

apakah residual mengikuti asumsi kenormalan atau tidak dengan
Hipotesis
𝐻0 : residual berdistribusi normal
𝐻1 : residual tidak berdistribusi normal
Hasil uji kenormalan residual menunjukkan bahwa nilai p-value Kormogrov-
Smirnov adalah 0.150 > α = 0,05 maka dapat disimpulkan bahwa 𝐻0 diterima. Jadi
residual data sudah berdistribusi normal.
3.3.5 PERAMALAN (Forecasting)
Berikut ini merupakan perbandingan data yang diperoleh dengan hasil peramalan
penerimaan Pajak PBB kota Makassar pada periode Januari 2017 – Desember 2017
berdasarkan model ARIMA (0,0,1)(1,1,1)12 beserta batas atas dan batas bawah
peramalan;
Periode Forecast Lower Upper Actual Error
Januari 59.93955513 46.692 73.187 50 -9.9396
Februari 108.5917908 94.263 122.92 106 -2.5918
Maret 97.53696145 83.208 101.865 92 -5.537
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
Anonim. 2015. ARIMA (Autoregressive Integrated Moving Average).diakses

http://daps.bps.go.id/file_artikel/77/arima.pdf pada 24 Maret 2019
Anonim. 2016. Analisis Runtun waktu "Dekomposisi Musiman" . Di akses di

http://sedekahilmustatistika.blogspot.com/2012/11/analisis-runtun-waktu-
dekomposisi.html
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
UPTD Pajak Bumi dan UPTD Bea Perolehan Hak

Bangunan Atas Tanah dan bangunan
35
Tata Usaha UPTD PBB Tata Usaha UPTD BPHTB

LAMPIRAN 2
Data Target dan Realisasi PBB Kota Makassar

BULAN 2013 2014 2015
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 ACF T LBQ

1 -0.071340 -0.49 0.26
2 0.060983 0.42 0.45
3 0.154224 1.06 1.72
4 0.023921 0.16 1.75
5 0.067933 0.46 2.01
6 0.067854 0.45 2.27
7 0.057568 0.38 2.47
8 -0.033598 -0.22 2.54
9 0.089334 0.59 3.03
10 -0.026297 -0.17 3.07
11 -0.282574 -1.86 8.25
12 0.681674 4.19 39.23
13 -0.050454 -0.24 39.40
14 0.020700 0.10 39.43
15 0.055679 0.26 39.66
16 -0.003665 -0.02 39.66
17 -0.010987 -0.05 39.67
18 0.009362 0.04 39.68
19 0.008224 0.04 39.68
20 -0.084803 -0.39 40.30
21 0.056309 0.26 40.58
22 -0.067983 -0.32 41.01
23 -0.291836 -1.35 49.18
24 0.396616 1.77 64.91
25 -0.065556 -0.28 65.36
26 -0.042072 -0.18 65.55
27 -0.077495 -0.32 66.24
28 -0.087437 -0.37 67.16
29 -0.096978 -0.40 68.35
30 -0.065907 -0.27 68.93
31 -0.063252 -0.26 69.49
32 -0.144526 -0.60 72.62
33 -0.012533 -0.05 72.65
34 -0.075784 -0.31 73.63
35 -0.250651 -1.03 85.23
36 0.192410 0.77 92.64
37 0.002913 0.01 92.64
38 -0.004881 -0.02 92.64
39 -0.031214 -0.12 92.90
40 -0.041357 -0.16 93.42
41 -0.062521 -0.25 94.76
42 -0.052279 -0.21 95.85
43 -0.047319 -0.19 96.93
44 -0.084388 -0.33 101.20
45 -0.023126 -0.09 101.63
46 -0.038680 -0.15 103.42
47 -0.154210 -0.61 160.50
Lampiran 4
Nilai PACF Data Musiman
Partial 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
Lag ACF T LBQ

1 0.571066 3.43 12.75
2 0.432728 2.02 20.28
3 0.344081 1.45 25.19
4 0.269003 1.07 28.28
5 0.276725 1.07 31.66
6 0.040521 0.15 31.74
7 0.001581 0.01 31.74
8 0.008269 0.03 31.74
9 -0.161458 -0.60 33.06
10 -0.202286 -0.75 35.21
11 -0.285686 -1.04 39.68
12 -0.284362 -1.01 44.29
13 -0.293159 -1.01 49.40
14 -0.239551 -0.80 52.97
15 -0.060653 -0.20 53.21
16 -0.093106 -0.31 53.80
17 -0.127715 -0.42 54.98
18 -0.103502 -0.34 55.79
19 -0.046891 -0.15 55.97
20 -0.016066 -0.05 55.99
21 -0.050123 -0.16 56.22
22 -0.063678 -0.21 56.61
23 -0.000127 -0.00 56.61
24 0.044962 0.15 56.84
25 -0.043846 -0.14 57.08
26 -0.058283 -0.19 57.55
27 -0.113866 -0.37 59.52
28 -0.137970 -0.45 62.77
29 -0.064244 -0.21 63.58
30 -0.035504 -0.11 63.87
31 -0.001632 -0.01 63.87
32 0.008976 0.03 63.90
33 -0.020554 -0.07 64.09
34 0.006912 0.02 64.12
35 -0.000558 -0.00 64.12
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

Kapita Selekta Laporan

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kapita Selekta Laporan

Diunggah oleh

Hak Cipta:

Format Tersedia

LAPORAN

KANTOR BADAN PENDAPATAN DAERAH

ANDI RISKA FITRIANI H121 16 004

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

1 Andi Riska Fitriani H12116004

2 Dewi Rahma Ente H12116006

Disetujui / Disahkan Oleh :

Nur Asia,SE Anisa,S.Si,M.Si

Kepala UPTD Badan Ketua Departemen Matematika

Indirwan Darmayasair,S.STP Prof. Dr. Drs. Amir Kamal Amir, M.Sc

1.1 Latar Belakang

1. Mendapatkan pengalaman awal untuk memahami bagaimana perkantoran/institusi

1.3 Lokasi/Instansi Kerja Praktek

1.3.2 Waktu Pelaksanaan Kerja Praktek

1.4 Gambaran Umum Instansi Kerja Praktek

1.4.3 Visi dan Misi Badan Pendapatan Daerah Kota Makassar

5) Meningkatkan pengawasan pengelolaan pendapatan daerah;

6) Meningkatkan kemampuan SDM;

7) Melakukan evaluasi secara berkala;

8) Menyediakan sarana dan prasarana yang memadai yang berbasis Teknologi

9) Meningkatkan penyuluhan, pelayanan dan pengawasan agar terbina kesadaran

2.1 DESKRIPSI KEGIATAN.

Minggu III (31 Desember 2018 – 04 Januari 2019)

 Senin (31 Desember 2018)

 Senin (07 Januari 2019)

 Senin (14 Januari 2019)

 Senin (21 Januari 2019)

2.1.2 Dewi Rahma Ente

Selama melaksanakan Kerja Praktek di Badan Pendapatan Daerah Kota Makassar

Minggu III (31 Desember 2018 – 04 Januari 2019)

 Senin (31 Desember 2018)

 Senin (07 Januari 2019)

 Senin (14 Januari 2019)

 Senin (21 Januari 2019)

3.1. Deskripsi Data

3.2. Teknik Analisis Data

3.2.1 Analisis Deret Waktu

1. Fungsi Autokorelasi dan Autokorelasi Parsial

5. Pengertian SARIMA (Seasonal Autoregressive Integrated Moving Average)

Adapun rumus umum dar ARIMA (p,d,q) (P,D,Q)S

𝜙p(𝐵)Φ(𝐵s)(1 − 𝐵)d(1 – 𝐵s)d X t = 𝜃q(𝐵)ΘQ(𝐵s) e t

Model Seasonal Autoregressive Integrated Moving Average (SARIMA) merupakan

Tabel 3.1Pola Plotting ACF dan PACF Serta ARIMA Tentatif

ACF PACF ARIMA(p,d,q)

3.3. Hasil dan Pembahasan

Data Persentasi Target dan Realisasi PBB

3.3.1 Identifikasi Model

Gambar 1 Plot Data Asli Persentasi Target dan Realisasi PBB

 Uji Stationer Dalam Variansi

Gambar 2 Box-Cox dari data Asli

 Uji Stationer Dalam Rata-Rata

Gambar 4 PACF Data asli Musiman

𝐻1:𝜌≠0 ( Data Persentasi Target dan realisasi PBB stasioner )

Gambar 5 uji Augmented Duckey Fuller

Gambar 7 PACF Data Non-Musiman

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 0.571 0.571 12.747 0.000

Gambar 8 Correlogram Data Non-Musiman

Null Hypothesis: SERIES01 has a unit root

Augmented Dickey-Fuller test statistic -2.950257 0.0498

*MacKinnon (1996) one-sided p-values.

Gambar 9 Uji ADF di E-views