1

I. PENDAHULUAN

I.1 Latar Belakang

Semakin berkembangnya suatu daerah terlihat bagaimana banyaknya perusahaan-

perusahaan ataupun usaha kecil yang memenuhi setiap sudut daerah. Seiring

dengan hal itu industri reklame juga semakin pesat karena kebutuhan promosi

perusahaan dan usaha kecil. Selain untuk penggunaan iklan sebagai promosi

perusahaan, industri reklame juga banyak digunakan oleh politisi dan juga

pelaksanaan even-even.

Dalam rangka meningkatkan kemampuan keuangan daerah agar dapat

melaksanakan otonomi khususnya pajak daerah dan retribusi daerah, pemerintah

menetapkan berbagai kebijakan perpajakan daerah yang diharapkan dapat

mendorong peningkatan pelayanan kepada masyarakat dan kemandirian daerah.

Salah satu jenis perpajakan yang menjadi sumber pendapatan yaitu pajak reklame.

Mengingat pentingnya adanya pajak reklame yang sangat berperan membantu

kestabilan pendapatan daerah Kota Bandar Lampung, penting bagi Pemerintah

Kota Bandar Lampung untuk lebih mengoptimalkan dalam pendapatan asli daerah

dengan cara memantau besarnya pajak reklame yang akan didapat dalam beberapa
 2

tahun kedepan. Salah satu upaya yang dilakukan yaitu meramalkan besarnya

pendapatan pajak reklame.

Peramalan itu sendiri merupakan suatu kegiatan yang berguna untuk mengetahui

peristiwa atau kejadian di masa yang akan datang dengan menggunakan data-data

yang tersedia di masa lampau. Banyak pilihan metode yang dapat digunakan

untuk meramalkan sebuah data deret waktu sesuai kebutuhan dan kondisi dan

dengan penawaran tingkat akurasi hasil ramalan yang tinggi. Pada laporan kali ini

akan membahas mengenai metode Autoregressive Integrated Moving Average

(ARIMA) untuk meramalkan jumlah pendapatan pajak reklame di Kota Bandar

Lampung tahun 2018.

I.2 Tujuan Kerja Praktik

Tujuan dari Laporan Kerja Praktik ini adalah untuk meramalkan jumlah

pendapatan pajak reklame di Kota Bandar Lampung pada tahun 2018

menggunakan metode Autoregressive Integrated Moving Average (ARIMA).

1.3 Manfaat Kerja Praktik

Manfaat dari penelitian ini adalah mahasiswa yang mengikuti kerja praktik

mampu mengaplikasikan ilmu yang telah didapat di kampus ke dalam dunia kerja,

serta dapat mengetahui gambaran mengenai dunia kerja.

 3

1.4 Waktu dan Tempat Kerja Praktik

Kegiatan kerja praktik ini dilakukan dari tanggal 18 Januari 2018 sampai dengan

28 Februari 2018 di Badan Pengelola Pajak dan Retribusi Daerah (BPPRD) Kota

Bandar Lampung yang bertempat di Jalan Dr. Susilo No. 2 Bandar Lampung.
 4

II. GAMBARAN UMUM INSTANSI

2.1 Sejarah BPPRD Kota Bandar Lampung

Berdasarkan UU Nomor 32 Tahun 2004 tentang pemerintahan Daerah dan

UU Nomor 33 Tahun 2004 tentang perimbangan antara Pemerintah Pusat

dan Pemerintah Daerah, serta UU Nomor 28 Tahun 2009 tentang Pajak

Daerah, maka Pemerintah Daerah dituntut agar mampu mengurus pembiyaan

Rumah Tangga sendiri, untuk mewujudkan hal tersebut Pemerintah Daerah

harus dapat lebih meningkatkan inisiatif dan kreatifitasnya dengan

melakukan usaha-usaha yang kongkrit dan konstitutional dalam mencari dan

menggali terutama pajak dan retribusi daerah karena keduanya merupakan

sumber pendapatan daerah yang penting guna membiayai penyelenggaraan

pemerintah dan pembangunan daerah.

Selanjutnya, sesuai dengan Perda Kota Bandar Lampung Nomor 3 Tahun

2011 tentang perubahan atas peraturan daerah Nomor 3 Tahun 2008 tentang

organisasi dan tata kerja Dinas Daerah Kota Bandar Lampung, maka

dibentuk Badan Pengelola Pajak dan Retribusi Daerah Kota Bandar

Lampung.
 5

2.2 Visi dan Misi BPPRD Kota Bandar Lampung

2.2.1 Visi

Visi BPPRD Kota Bandar Lampung adalah “Meningkatkan Penerimaan Pajak

Daerah Untuk Kesejahteraan Masyarakat Kota Bandar Lampung”.

2.2.2 Misi

Misi merupakan kristalisasi dari keinginan menyatukan langkah dan gerak untuk

mewujudkan visi yang telah ditetapkan, maka misi BPPRD Kota Bandar

Lampung adalah “Meningkatkan Penerimaan Pajak Daerah Melalui Intensifikasi

dan Ekstensifikasi Pajak Daerah”.

2.3 Tujuan BPPRD Kota Bandar Lampung

Sejalan dengan misi yang diemban BPPRD Kota Bandar Lampung, maka tujuan

yang ingin dicapai adalah “Meningkatkan Penerimaan Pajak Daerah”.

2.4 Sasaran BPPRD Kota Bandar Lampung

Sasaran adalah hasil yang akan dicapai secara nyata oleh instansi Pemerintah

dalam rumusan yang lebih spesifik, teratur, dalam kurun waktu yang lebih pendek
 6

dari tujuan. Oleh karena itu sasaran yang ditetapkan BPPRD Kota Bandar

Lampung adalah :

a. Meningkatknya penerimaan pajak daerah

b. Menurunnya tunggakan pajak daerah

c. Meningkatnya pelayanan publik yang berkualitas

2.5 Struktur Organisasi

KEPALA BADAN

SEKRETARIS

KASUBBAG KASUBBAG KASUBBAG

PROGRAM & UMUM & KEUANGAN
INFORMASI KEPEGAWAIAN & ASET

BIDANG BIDANG BIDANG PEMBUKUAN

PERENCANAAN & BIDANG PAJAK PENDAFTARAN
& PELAPORAN
PENGENDALIAN & PENETAPAN
OPERASIONAL
SEKSI PAJAK
REKLAME SEKSI PELAPORAN

SEKSI SEKSI
PERENCANAAN & PENDAFTARAN
SEKSI PAJAK SEKSI PEMBUKUAN
EKSTENSIFIKASI RESTORAN & PENERIMAAN
PAJAK
SEKSI PENERANGAN
JALAN SEKSI SEKSI PEMBUKUAN
PENGENDALIAN & SKPD/RD
KEBERATAN
PENGAWASAN

SEKSI PAJAK
SEKSI HOTEL, SEKSI
PENGOLAHAN HIBURAN, & PENETAPAN
DATA & PAJAK LAIN-
INFORMASI LAIN

UPT

Gambar 1.Struktur Organisasi BPPRD Kota Bandar Lampung

 7

Struktur organisasi adalah gambaran yang berisikan bagan-bagan ataupun dalam

bentuk lain yang dapat memberikan penjelasan dan gambaran secara sistematis

yaitu menjelaskan fungsi masing-masing atau tugas-tugas yang dilakukan

karyawan. Sedangkan organisasi adalah sekelompok orang antara dua orang atau

lebih yang melakukan kerjasama dalam bidang tertentu melakukan sesuatu dalam

mencapai tujuan untuk kepentingan bersama. Jadi, struktur organisasi adalah

keseluruhan tentang penjelasan bagan-bagan pekerjaan serta fungsi tugas masing-

masing didalam perusahaan yang dibentuk oleh sekelompok orang yang

melakukan kerjasama dimaksudkan untuk melakukan suatu tujuan demi

kepentingan bersama.

2.6 Kedudukan, Tugas, dan Fungsi BPPRD Kota Bandar Lampung

2.6.1 Kedudukan BPPRD Kota Bandar Lampung

Badan Pengelola Pajak dan Retribusi Daerah merupakan unsur penunjang

otonomi daerah yang melaksanakan urusan pemerintahan yang dipimpin oleh

seorang Kepala Badan yang berkedudukan dibawah dan bertanggung jawab

kepada Walikota melalui Sekretaris Daerah.

2.6.2 Tugas BPPRD Kota Bandar Lampung

Badan Pengelola Pajak dan Retribusi Daerah mempunyai tugas melaksanakan

sebagian urusan pemerintah di bidang pengelolaan pendapatan daerah dari sektor

 8

pajak daerah.

2.6.3 Fungsi BPPRD Kota Bandar Lampung

Fungsi dari BPPRD Kota Bandar Lampung adalah :

1. Penyusunan kebijakan teknis di bidang pengelolaan pajak daerah.

2. Pelaksanaan tugas dukungan teknis sesuai dengan lingkup tugasnya.

3. Pemantauan, evaluasi, dan pelaporan pelaksanaan tugas dukungan teknis

sesuai dengan lingkup tugasnya.

4. Pembinaan teknis penyelenggaraan fungsi-fungsi penunjang urusan

pemerintahan daerah sesuai tugas lingkupnya.

5. Pelaksanaan fungsi lain yang diberikan oleh walikota sesuai dengan tugas

dan fungsinya.
 9

III. TINJAUAN PUSTAKA

3.1 Pengertian Pajak

Pajak adalah kontribusi wajib kepada negara yang terutang oleh orang pribadi atau

badan yang bersifat memaksa berdasarkan Undang-Undang, dengan tidak

mendapatkan imbalan secara langsung dan digunakan untuk keperluan negara

bagi sebesar-besarnya kemakmuran rakyat.

3.2 Jenis Pajak Daerah

Pajak yang dikelola oleh pemerintah daerah, dalam hal ini ditangani oleh Dinas

Pendapatan Daerah atau instasi yang menangani pemungutan pajak daerah.

Terdapat 5 (lima) jenis pajak provinsi dan 11 (sebelas) jenis pajak kabupaten/kota,

masing-masing pajak sebagai berikut :

1. Pajak provinsi, terdiri atas :

a. Pajak kedaraan bermotor

b. Bea balik nama kendaraan bermotor

c. Pajak bahan bakar kendaraan bermotor

d. Pajak air permukaan

e. Pajak rokok
 10

2. Pajak kabupatten/kota, terdiri atas :

a. Pajak hotel

b. Pajak restoran

c. Pajak hiburan

d. Pajak reklame

e. Pajak penerangan jalan

f. Pajak mineral bukan logam dan batuan

g. Pajak parkir

h. Pajak air tanah

i. Pajak sarang burung walet

j. Pajak bumi dan bangunan pedesaan dan perkotaan

k. Bea perolehan hak atas tanah dan bangunan

3.3 Pajak Reklame

Pajak Reklame adalah pajak atas penyelenggaraan reklame. Reklame adalah

benda, alat, perbuatan, atau media yang bentuk dan corak ragamnnya dirancang

untuk tujuan komersial memperkenalkan, menganjurkan, mempromosikan, atau

untuk menarik perhatian umum terhadap barang, jasa, orang, atau badan, yang

dilihat, dibaca, didengar, dirasakan, dan dinikmati oleh umum.

 11

3.4 Peramalan

Definisi dari peramalan adalah memperkirakan besarnya atau jumlah sesuatu pada

waktu yang akan datang berdasarkan data pada masa lampau yang dianalisis

secara alamiah khususnya menggunakan metode statistika (Sudjana, 1986).

Peramalan biasanya dilakukan untuk mengurangi ketidakpastian terhadap sesuatu

yang akan terjadi di masa yang akan datang. Suatu usaha untuk mengurangi

ketidakpastian tersebut dilakukan dengan menggunakan metode peramalan.

3.5 Analisis Deret Berkala

Analisis data berkala adalah suatu metode kuantitatif yang mempelajari pola

gerakan data masa lampau yang teratur. Jika pola data masa lampau tersebut telah

diketahui atau ditemukan maka berdasarkan pola tersebut diharapkan kita dapat

mengadakan peramalan dan perencanaan dimasa yang akan datang (Budiasih,

2012). Rangkaian data pengamatan deret berkala dinyatakan dengan variabel Xt

dimana t adalah indeks waktu dari urutan pengamatan.

3.6 Definisi Kestasioneran

Dalam analisis deret waktu asumsi yang penting adalah kestasioneran data yang

diperoleh. Deret waktu yang stasioner adalah deret waktu yang mempunyai rata-

rata dan variansi konstan sepajang waktu. Dengan kata lain data deret waktu yang

stasioner adalah data yang tidak mengalami kenaikan atau penurunan yang
 12

signifikan atau secara matematis dapat dikatakan bahwa data yang dimiliki

berfluktuasi di sekitar nilai rata-rata atau berada di antara dua standar galat

(Soejoeti, 1987).

Tidak stasionernya data akan mengakibatkan kurang baiknya model yang

diestimasi dan data tersebut dipertimbangkan kembali validitas dan kestabilannya.

Salah satu penyebab tidak stasionernya sebuah data adalah adanya autokorelasi.

Bila data distasionerkan maka autokorelasi akan hilang dengan sendirinya, karena

itu transformasi data untuk membuat data yang tidak stasioner menjadi stasioner

sama dengan transformasi data untuk menghilangkan autokorelasi (Makridakis,

dkk., 1992).

3.7 Autoregressive (AR)

Model AR adalah model yang menggambarkan bahwa nilai masa sekarang

dipengaruhi oleh nilai masa lampau. Model AR dengan order p dinotasikan

dengan AR(p). Bentuk Umum model AR(p) adalah:

Zt = C + ∅ 1Zt-1+ ∅ 2Zt-2+ ...+ ∅ p Zt-p + α t (2.1)

Dimana
p
C = μ( 1- ∑ ∅ i) (2.2)
i+ 1

Dengan: Zt =data pada waktu ke-t

∅ p= parameter AR orde ke-P

α t = nilai residual pada waktu ke-t

 13

Orde dalam model AR sering digunakan dalam analisis time series adalah p=1

atau p=2 ( Pankratz, 1991).

3.8 Moving Average (MA)

Model Moving Average (MA) adalah model perataan nilai dengan mengambil

sekelompok nilai pengamatan yang kemudian dicari rata-rata nya, MA atau rata-

rata bergerak menggunakan angka rata-rata yang baru dihitung sebagai ramalan

setiap kali data observasi baru tersedia maka nilai rata-rata baru juga akan

didapatkan. Model MA dengan orde q dinotasikan dengan MA(q). Secara umum

model MA(q) adalah:

Zt = α t - θ 1α t -1 – θ 2α t -2 - ... - θ qα t-q (2.3)

Dengan: Zt =data pada waktu ke-t

∅ q= parameter MA orde ke-q

α t = nilai residual pada waktu ke-t

Secara umum, Orde MA yang sering digunakan dalam analisis deret waktu adalah

q=1 atau q=2 ( Pankratz, 1991).

3.9 Model Autoregressive Integrated Moving Average (ARIMA)

ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat

baik ketepatannya untuk peramalan jangka pendek, sedangkan untuk peramalan

jangka panjang ketepatan peramalannya kurang baik. Biasanya akan

cenderungmendatar atau konstan untuk periode yang cukup panjang. Model

Autoregresif Integrated Moving Average (ARIMA) adalah model yang secara

 14

penuh mengabaikan independen variabel dalam membuat peramalan. ARIMA

menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk

menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok jika

observasi dari deret waktu secara statistik berhubungan satu sama lain. Tujuan

model ini adalah untuk menentukan hubungan statistik yang baik antarvariabel

yang diramal dengan nilai historis variabel tersebut sehingga peramalan dapat

dilakukan dengan model tersebut (Juanda, 2012).

Jika d adalah bilangan bulat nonnegatif, maka {X t} dikatakan proses ARIMA jika

Yt :=(1 - B)dxt merupakan akibat dari proses ARMA.

Definisi diatas berarti bahwa {Xt} memenuhi persamaan :

∅ ¿ ( B ) X t ≡ ∅ ( B )( 1−B )d x t =θ ( B ) ε t , {ε t } WN (0 , σ 2) (2.12)

Dengan ∅ (B) dan θ( B) sebagai derajat polinomial dari p dan q, ∅ ( B)≠ 0 untuk

|∅ ( B )|<1 (Brockwell and Davis, 2002). Tahap-tahap pembentukan model

ARIMA (p,d,q) adalah sebagai berikut (Wei, 2006). :

a. Identifikasi model

Pengidentifikasian model ARIMA dapat dilakukan dengan melihat plot

time series, plot ACF, dan plot PACF. Secara teoritis, bentuk-bentuk plot

ACF dan PACF dari model ARIMA adalah seperti pada Tabel 3.1 berikut

(Bowerman and O’Connel, 1993).

Tabel 1. Bentuk ACF dan PACF untuk model ARIMA

Model ACF PACF

AR(p): autoregressive orde p Dies down Cuts off after lag p
MA(q): moving average orde q Cuts off after lag q Dies down
 15

AR(p) or MA(q) Cuts off after lag q Cuts off after lag p

ARMA(p,q): mixed autoregressive- Dies down Dies down

moving average orde (p,q)

No order AR or MA (White Noise No spike No spike

or Random process)

b. Estimasi parameter

Dalam menaksir parameter model ARIMA ada beberapa metode yang dapat

dilakukan, yaitu metode moment, metode least square, metode maximum

likelihood, metode unconditional least square dan metode nonlinear

estimation (Bowerman and O’Connel, 1993).

c. Pemilihan model terbaik

Diperlukan suatu kriteria tertentu untuk dapat menentukan model mana

yang akan digunakan. Ada beberapa kriteria pemilihan model yang dapat

digunakan, antara lain AIC (Akaike’s Information Criterion); SBC

(Schwartz’s Bayesian Criterion) dan MAPE (MeanAbsolute Percentage

Error) (Montgomery, Jennings, and Kulahci,2008).

 16

IV. HASIL DAN PEMBAHASAN

4.1 Data

Pada pembahasan kali ini penulis akan mencoba meramalkan jumlah pendapatan

pajak reklame di Kota Bandar Lampung pada tahun 2018 dengan menggunakan

data jumlah pendapatan pajak reklame di Kota Bandar Lampung Periode Januari

2014 – Desember 2017 sebagai berikut:

Tabel 1. Data jumlah pendapatan pajak reklame di Kota Bandar Lampung periode
Januari 2014 - Desember 2017

Bulan 2014 2015 2016 2017

Januari 1.514.312.896 1.244.572.148 1.432.223.399 1.257.022.265

Februari 1.013.801.118 1.412.931.477 1.658.033.296 1.983.393.073

Maret 1.765.613.368 1.607.611.591 1.606.175.076 1.834.462.763,52

April 1.281.919.984 1.657.873.136 1.624.389.176 2.159.091.692

Mei 958.248.100 1.483.440.404 1.688.525.382 2.537.360.067,52

Juni 1.767.760.335 1.954.604.435 3.243.295.720 1.745.625.230

Juli 1.302.867.421 1.288.470.421 866.207.058 2.131.878.700

Agustus 751.169.921 1.957.456.183 1.460.308.532 1.535.254.091,60

September 1.510.697.181 1.385.711.052 2.055.402.690 2.099.641.050

Oktober 1.297.732.424 1.402.940.525 1.908.899.086 1.515.515.846,08

1.981.478.404,2
November 1.771.622.023 1.322.005.403 1.735.735.666,66
0

1.677.739.687,2
Desember 1.606.107.890 1.202.391.978 2.423.853.751
0
 17

Langkah-langkah yang dilakukan pada analisis deret waktu dengan menggunakan

model ARIMA untuk jumlah pendapatan pajak reklame di Kota Bandar Lampung

adalah sebagai berikut :

4.2 Plotting Data

Langkah pertama adalah membuat grafik data (plotting data). Berikut adalah

bentuk grafik time series dari data tingkat Inflasi di Kota Bandar Lampung :

Trend Analysis Plot for pendapatan pajak reklame

Linear Trend Model
Yt = 1260358563 + 15413403*t
3500000000 Variable
Actual
Fits
3000000000
pendapatan pajak reklame

Accuracy Measures
MAPE 1,86571E+01
2500000000 MAD 2,81454E+08
MSD 1,45296E+17

2000000000

1500000000

1000000000

1 5 10 15 20 25 30 35 40 45
Index

Gambar 2. Pola data deret waktu pendapatan pajak reklame di Kota Bandar
Lampung (Januari 2014 – Desember 2017)

Dari plot data pendapatan pajak reklame di Kota Bandar Lampung selama periode

Januari 2014 sampai Desember 2017 dapat terlihat bahwa data tidak stasioner

terhadap varian dan rata-rata. Dalam analisis deret waktu kasus seperti ini dapat
 18

diatasi dengan melakukan differencing pada data. Proses differencing yaitu data

yang asli (Yt) diganti dengan perbedaan pertama dari data asli tersebut. Plot data

hasil differencing adalah sebagai berikut:

Trend Analysis Plot for differencing lag 1

Linear Trend Model
Yt = -26591136 + 1837723*t
2000000000 Variable
Actual
Fits

1000000000 Accuracy Measures

MAPE 9,57481E+01
differencing lag 1

MAD 4,44298E+08
MSD 3,64740E+17
0

-1,000E+09

-2,000E+09

1 5 10 15 20 25 30 35 40 45
Index

Gambar 3. Plot data pendapatan pajak reklame di Kota Bandar Lampung

(Januari 2014 – Desember 2017) hasil differencing 1 kali

Berdasarkan proses differencing sebesar 1 kali terhadap data pendapatan pajak

reklame di Kota Bandar Lampung. Terlihat bahwa grafik bergerak di sekitar rata-

rata dan variannya dan membentuk pola tertentu naik turun. Dengan demikian

dapat dikatakan bahwa data tersebut sudah stasioner terhadap rata-rata dan varian.

4.3 Identifikasi Model Arima

Apabila data sudah stasioner maka asumsi metode ARIMA telah terpenuhi.

Langkah selanjutnya adalah membuat plot ACF (Autocorrelation Function) dan

 19

PACF (Partial Autocorrelation Function) untuk mengidentifikasi model ARIMA

yang cocok untuk digunakan.

Autocorrelation Function for Dif_1 Pajak Reklame

(with 5% significance limits for the autocorrelations)

1,0
0,8
0,6
0,4
Autocorrelation

0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 2 3 4 5 6 7 8 9 10 11 12
Lag

Gambar 4. Grafik fungsi Autokorelasi

Partial Autocorrelation Function for Dif_1 Pajak Reklame

(with 5% significance limits for the partial autocorrelations)

1,0
0,8
0,6
Partial Autocorrelation

0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

1 2 3 4 5 6 7 8 9 10 11 12
Lag

Gambar 5. Grafik fungsi Autokorelasi Parsial

Berdasarkan Gambar 4 dan Gambar 5, nilai ACF dan PACF dapat diketahui dari

nilai-nilai ACF dan PACF pada Tabel 3, sebagai berikut :

Tabel 2. Nilai ACF dan PACF

 20

Lag ACF T LBQ Lag PACF T

1 -0.546543 -3.75 14.95 1 -0.546543 -3.75
2 0.002415 0.01 14.96 2 -0.422499 -2.90
3 0.127896 0.69 15.81 3 -0.175558 -1.20
4 -0.140665 -0.76 16.87 4 -0.226283 -1.55
5 0.097653 0.52 17.39 5 -0.118627 -0.81
6 0.003508 0.02 17.39 6 -0.030496 -0.21
7 -0.130116 -0.69 18.37 7 -0.174125 -1.19
8 0.130350 0.68 19.37 8 -0.112654 -0.77
9 -0.081953 -0.42 19.78 9 -0.168449 -1.15
10 0.062246 0.32 20.02 10 -0.072477 -0.50
11 -0.015414 -0.08 20.04 11 -0.071793 -0.49
12 0.006561 0.03 20.04 12 0.008913 0.06

Berdasarkan Tabel 3, untuk mengetahui ordo (p dan q) dapat dilihat pada masing-

masing tabel nilai mutlak T yang lebih besar dari 1,96. Ordo p dapat dilihat pada

tabel nilai PACF dengan nilai mutlak T yang lebih besar dari 1,96 yaitu 2 nilai

artinya ordo p adalah 2. Ordo q dapat dilihat pada tabel nilai ACF dengan nilai

mutlak T yang lebih besar dari 1,96 yaitu 1 nilai artinya ordo q adalah 1.

Dari grafik ACF dan PACF hasil differencing terlihat bahwa PACF tidak

signifikan pada time lag ke – 1, ke – 2, dan ACF tidak signifikan pada time lag

ke – 1 sehingga didapat model awal ARIMA (2,1,1). Walaupun tidak menutup

kemungkinan terdapat model ARIMA lain yang terbentuk. Didapatkan model-

model ARIMA yang mungkin adalah sebagai berikut:

a. Model 1 :ARIMA (0,1,0)

b. Model 2 : ARIMA (1,1,0)

c. Model 3 :ARIMA (2,1,0)

d. Model 4 : ARIMA (0,1,1)

e. Model 5 : ARIMA (1,1,1)

f. Model 6 : ARIMA (2,1,1)

 21

Setelah didapatkan model-model ARIMA yang mungkin, langkah selanjutnya

adalah mengestimasikan parameternya. Langkah estimasi parameter dari model-

model di atas adalah dengan melakukan uji hipotesis untuk setiap parameter

koefisien yang dimiliki setiap model.

4.4 Estimasi Model ARIMA

4.4.1 Model (1,1,1)

Hasil ouput model ARIMA (1,1,1) adalah sebagai berikut :

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0.2044 0.1018 2.01 0.047
MA 1 1.0251 0.0008 1289.06 0.000
Constant -0.0019070 0.0008766 -2.18 0.032

Differencing: 1 regular difference

Number of observations: Original series 96, after differencing 95
Residuals: SS = 41.6147 (backforecasts excluded)
MS = 0.4523 DF = 92

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 14.0 34.7 46.2 63.7
DF 9 21 33 45
P-Value 0.124 0.030 0.063 0.034
Dari hasil outputtersebut terlihat bahwa nilai p-value dari AR (1) sebesar 0,047

dan nilai p-value dari MA(1) sebesar 0.000. Nilai tersebut merupakan nilai yang

signifikan karena lebih kecil dari α=0,05. Maka model ARIMA (1,1,1) merupakan

model yang mungkin.

Pada uji Ljung-Box P-value untuk time lag 24 dantime lag 48 adalah lebih kecil

dari α = 0.05 sedangkan p-value untuk time lag 12 dan time lag 36 adalah lebih

besar dari α = 0.05. Karena p-value untuk time lag 12 dan time lag 36 lebih besar
 22

dari α = 0.05 dapat disimpulkan bahwa sisaan atau residual memenuhi syarat

white noise yaitu sisaannya saling bebas satu sama lain atau berdistribusi random

walaupun time lag 24 dan time lag 48 lebih kecil dari α = 0.05.

4.4.2 Model (1,1,2)

Hasil ouput model ARIMA (1,1,2) adalah sebagai berikut :

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 0.1574 0.1150 1.37 0.175
MA 1 0.9296 0.0306 30.34 0.000
MA 2 0.0664 0.0848 0.78 0.435
Constant 0.000767 0.003071 0.25 0.803

Differencing: 1 regular difference

Number of observations: Original series 96, after differencing 95
Residuals: SS = 43.0980 (backforecasts excluded)
MS = 0.4736 DF = 91

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 13.0 32.6 43.7 60.8
DF 8 20 32 44
P-Value 0.113 0.038 0.081 0.047

Dari hasil outputtersebut terlihat bahwa nilai p-value dari AR (1) sebesar 0,175

yang artinya tidak signifikan karena lebih besar dari α=0,05. Sedangkan nilai p-

value dari MA(1) sebesar 0.000 dan MA (2) 0,435 yang artinya meskipun nilai

MA(1) lebih kecil dari α=0,05 tetapi nilai MA(2) lebih besar dari α=0,05 sehingga

dapat disimpulkan bahwa model ARIMA (1,1,2) tidak signifikan dan tidak dapat

digunakan untuk melakukan peramalan.

4.4.3 Model ARIMA (1,1,3)

Hasil ouput model ARIMA (1,1,3) adalah sebagai berikut :

 23

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.3079 0.2263 -1.36 0.177
MA 1 0.4018 0.1855 2.17 0.033
MA 2 0.3412 0.2044 1.67 0.098
MA 3 0.3319 0.1131 2.94 0.004
Constant -0.002647 0.005429 -0.49 0.627

Differencing: 1 regular difference

Number of observations: Original series 96, after differencing 95
Residuals: SS = 40.0019 (backforecasts excluded)
MS = 0.4445 DF = 90

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 10.3 25.4 36.7 49.9
DF 7 19 31 43
P-Value 0.172 0.148 0.223 0.219

Dari hasil output tersebut terlihat bahwa nilai p-value dari AR (1) sebesar 0,177

yang artinya tidak signifikan karena lebih besar dari α=0,05. Sedangkan nilai p-

value dari MA(1) sebesar 0,033, MA (2) sebesar 0,098, dan MA(3) sebesar 0,004

yang artinya nilai semua MA signifikan karena lebih kecil dari α=0,05. Akan

tetapi karena nilai AR (1) tidak signifikan, maka model ARIMA (1,1,3) juga tidak

dapat digunakan untuk melakukan peramalan.

4.4.4 Model ARIMA (1,1,4)

Hasil ouput model ARIMA (1,1,4) adalah sebagai berikut :

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.3021 0.9336 -0.32 0.747
MA 1 0.4435 0.9260 0.48 0.633
MA 2 0.2644 0.6827 0.39 0.699
MA 3 0.2936 0.1182 2.48 0.015
MA 4 -0.0227 0.2640 -0.09 0.932
Constant -0.001750 0.006579 -0.27 0.791

Differencing: 1 regular difference

Number of observations: Original series 96, after differencing 95
Residuals: SS = 41.8039 (backforecasts excluded)
MS = 0.4697 DF = 89
 24

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 10.9 28.5 40.5 56.3
DF 6 18 30 42
P-Value 0.091 0.054 0.096 0.068

Dari hasil output tersebut terlihat bahwa nilai p-value dari AR (1) sebesar 0,747

yang artinya tidak signifikan karena lebih besar dari α=0,05. Sedangkan nilai p-

value dari MA(1) sebesar 0,633, MA (2) sebesar 0,699, MA (3) sebesar 0,015

dan MA(4) sebesar 0,932 dengan itu dapat kita ketahui bahwa nilai MA (1), MA

(2), dan MA (4) tidak signifikan karena lebih besar dari α=0,05, sedangkan nilai

MA (3) signifikan karena lebih kecil dari α=0,05. Akan tetapi tidak semua nilai

AR dan MA signifikan, jadi dapat ditarik kesimpulan bahwa model ARIMA

(1,1,4) tidak dapat digunakan untuk melakukan peramalan.

4.4.5 Model ARIMA (1,1,5)

Hasil ouput model ARIMA (1,1,5) adalah sebagai berikut :

Final Estimates of Parameters

Type Coef SE Coef T P

AR 1 -0.5605 0.3198 -1.75 0.083
MA 1 0.2028 0.3429 0.59 0.556
MA 2 0.4023 0.2060 1.95 0.054
MA 3 0.3444 0.1179 2.92 0.004
MA 4 0.2004 0.1745 1.15 0.254
MA 5 -0.0327 0.1193 -0.27 0.784
Constant -0.002469 0.006100 -0.40 0.687

Differencing: 1 regular difference

Number of observations: Original series 96, after differencing 95
Residuals: SS = 39.6517 (backforecasts excluded)
 25

MS = 0.4506 DF = 88

Modified Box-Pierce (Ljung-Box) Chi-Square statistic

Lag 12 24 36 48
Chi-Square 11.4 27.9 41.5 59.1
DF 5 17 29 41
P-Value 0.044 0.046 0.063 0.033

Dari hasil output tersebut terlihat bahwa nilai p-value dari AR (1) sebesar 0,083

yang artinya tidak signifikan karena lebih besar dari α=0,05. Sedangkan nilai p-

value dari MA(1) sebesar 0,556, MA (2) sebesar 0,054, MA (3) sebesar 0,004,

MA (4) sebesar 0,254 dan MA(5) sebesar 0,784 dengan itu dapat kita ketahui

bahwa nilai MA (1), MA (2), MA (4) dan MA (5) tidak signifikan karena lebih

besar dari α=0,05, sedangkan nilai MA (3) signifikan karena lebih kecil dari

α=0,05. Akan tetapi tidak semua nilai AR dan MA signifikan, jadi dapat ditarik

kesimpulan bahwa model ARIMA (1,1,5) tidak dapat digunakan untuk melakukan

peramalan.

4.5 Pemilihan Model Terbaik

Setelah melakukan estimasi parameter untuk masing-masing model, maka dapat

dilakukan pemilihan model terbaik dari semua kemungkinan model dengan cara

melihat ukuran-ukuran standar ketepatan peramalan. Berdasarkan pengujian

model ARIMA diatas hanya ARIMA (1,1,1) yang memungkinkan untuk dijadikan

model peramalan karena nilai p-value lebih dari α=0,05 yang artinya modelnya
 26

signifikan. Serta asumsi-asumsi yang mendukung uji Ljung-Box dan uji asumsi

residual yang bersifat random terpenuhi.

Selain uji asumsi residual bersifat random (non autokorelasi), residual model juga

harus memenuhi syarat variansi residual konstan (homoskedastisitas) dan

mengikuti distribusi normal agar model dapat dikatakan layak.

Time Series Plot of RESI1

1
RESI1

-1

-2
1 10 20 30 40 50 60 70 80 90
Index

Gambar 6.Plot residual model ARIMA (1,1,1)

Berdasarkan plot residual diatas dapat kita lihat, bahwa residual berfluktuasi

disekitar nol, maka residual bersifat homoskedastisitas atau variansi residual

konstan.

Probability Plot of RESI1

Normal - 95% CI
99.9
Mean -0.002911
StDev 0.6654
99 N 95
AD 1.035
95 P-Value 0.010
90
80
70
Percent

60
50
40
30
20
10
5

0.1
-3 -2 -1 0 1 2 3
RESI1
 27

Gambar 7. Plot normalitas residual model ARIMA (1,1,1)

Berdasarkan plot normalitas residual model ARIMA (1,1,1) diatas masih berada

disekitaran garis diagonal sehingga dapat dikatakan bahwa residual berdistribusi

normal. Untuk lebih meyakinkan kita lakukan uji asumsi normalitas sebagai

berikut:

H0 : Data berdistribusi normal

H1: Data tidak berdistribusi normal

α= 0,05

Jika p.value > 0,05 maka tidak tolak H0

Kesimpulan : Berdasarkan uji hipotesis normalitas, kita dapat melihat bahwa p-

value residualnya sebesar 0,010. Karena p-value lebih kecil dari α= 0,05 maka

tidak tolak H0. Jadi residual berdistribusi normal.

4.6Hasil Peramalan

Langkah terakhir dalam analisis deret waktu peramalan dengan menggunakan

metode ARIMA adalah menentukan peramalan atau prediksi periode selanjutnya.

Dalam pembahasan ini penulis akan meramalkan 12 periode selanjutnya, dan hasil

peramalannya adalah sebagai berikut :

Tabel 4. Hasil peramalan tingkat inflasi di Kota Bandar Lampung periode Januari

2017 – Desember 2017.

Periode Peramalan Batas Atas Batas Bawah

97 0.38702 -0.93146 1.70550
98 0.32113 -1.01839 1.66064
 28

99 0.30575 -1.03385 1.64535

100 0.30070 -1.03924 1.64063
101 0.29776 -1.04275 1.63827
102 0.29525 -1.04589 1.63639
103 0.29283 -1.04895 1.63461
104 0.29043 -1.05200 1.63285
105 0.28803 -1.05504 1.6311
106 0.28563 -1.05808 1.62935
107 0.28324 -1.06112 1.62759
108 0.28084 -1.06416 1.62584

Dari nilai hasil peramalan inflasi di Kota Bandar Lampung periode Januari 2017

sampai Desember 2017 bahwa tingkat inflasi di Kota Bandar Lampung

mengalami penurunan. Untuk plot data setelah dilakukan hasil peramalan adalah

sebagai berikut :

Time Series Plot for INFLASI

(with forecasts and their 95% confidence limits)
3

2
INFLASI

-1

1 10 20 30 40 50 60 70 80 90 100
Time

Gambar 8. Plot data peramalan

Dari analisis sebelumnya, untuk meramalkan tingkat inflasi di Kota Bandar

Lampung dengan model ARIMA (1,1,1) adalah sebagai berikut:

 29

Tingkat Inflasi(t) = Constant + [AR(1) = 0,2044+ MA(1) = 1,0215]

Atau dapat ditulis sebagai berikut:

Yt = -0,0019070 + [(0,2044)Yt-1 + (1,0215)e t -1 ]

 30

V. KESIMPULAN

Berdasarkan proses peramalan menggunakan pendekatan ARIMA, dapat diambil

kesimpulan sebagai berikut :

1. Model ARIMA yang layak untuk digunakan untuk meramalkan tingkat

inflasi di Kota Bandar Lampung yaitu model ARIMA (1,1,1) karena

estimasti parameter signifikan dan memenuhi semua asumsi nilai

residualnya yaitu homoskedastisitas dan normalitas.

2. Model ARIMA (1,1,1) yang terbentuk yaituTingkat Inflasi(t) = Constant +

[AR(1) = 0,2044+ MA(1) = 1,0215] atau dapat ditulis Yt = -0,0019070 +

[(0,2044) Yt-1+ (1,0215) e t -1].

3. Peramalan tingkat inflasi di Kota Bandar Lampung selama mengalami

penurunan selama 1 tahun yaitu dari Januari 2017 sampai Desember 2017.

Dengan hasil peramalan yaitu sebesar0.38702, 0.32113, 0.30575,

0.30070, 0.29776, 0.29525, 0.29283, 0.29043, 0.28803, 0.28563, 0.28324,

dan 0.28084.
 31

DAFTAR PUSTAKA

Bowerman, B.L. and O’Connell, R.T., 1993, Time series analysis forcasting: An
applied approach (3rded). Boston: Duxbury Press.

Brockwell, P.J. and Davis, R.A. 2002. Introduction to Time Series and
Forecasting Second Edition. Springer-Verlag New York, Inc., New York.

Juanda, B. dan Junaidi. 2012.Ekonometrika Deret Waktu. IPB Press : Bogor.

McEachern, William. 2000. Ekonomi Makro : Pendekatan Kontemporer.

Jakarta : Salemba Empat.

Montgomery, D.C., Jennings, C.L., and Kulahci, M. 2008. Introduction Time

Series Analysis and Forecasting. John Wiley & Sons, Inc., Hoboken,
New Jersey.

Muana Nanga. 2001. Makro Ekonomi Teori, Masalah dan Kebijakan Edisi
Pertama. Jakarta : Rajawali Press.

Pankratz,A. 1991. Forecasting with Dynamic Regression. Intersciences

Publication. Canada.

Sudjana. 1989. Metode Statistika Edisi ke 5. Bandung : Tarsito.

Sukirno, Sadono. 2002. Teori Mikro Ekonomi. Cetakan Keempat Belas.

Rajawali Press: Jakarta.

Wei, William, W.S. 2006. Time Series Analysis : Univariate and Multivariate
Methods, 2nd Edition. USA: Pearson Educations, Inc.