I. PENDAHULUAN
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.
Salah satu jenis perpajakan yang menjadi sumber pendapatan yaitu pajak reklame.
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
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
Tujuan dari Laporan Kerja Praktik ini adalah untuk meramalkan jumlah
Manfaat dari penelitian ini adalah mahasiswa yang mengikuti kerja praktik
mampu mengaplikasikan ilmu yang telah didapat di kampus ke dalam dunia kerja,
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
2011 tentang perubahan atas peraturan daerah Nomor 3 Tahun 2008 tentang
organisasi dan tata kerja Dinas Daerah Kota Bandar Lampung, maka
Lampung.
5
2.2.1 Visi
2.2.2 Misi
Misi merupakan kristalisasi dari keinginan menyatukan langkah dan gerak untuk
mewujudkan visi yang telah ditetapkan, maka misi BPPRD Kota Bandar
Sejalan dengan misi yang diemban BPPRD Kota Bandar Lampung, maka tujuan
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 :
KEPALA BADAN
SEKRETARIS
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
bentuk lain yang dapat memberikan penjelasan dan gambaran secara sistematis
karyawan. Sedangkan organisasi adalah sekelompok orang antara dua orang atau
lebih yang melakukan kerjasama dalam bidang tertentu melakukan sesuatu dalam
kepentingan bersama.
pajak daerah.
5. Pelaksanaan fungsi lain yang diberikan oleh walikota sesuai dengan tugas
dan fungsinya.
9
Pajak adalah kontribusi wajib kepada negara yang terutang oleh orang pribadi atau
Pajak yang dikelola oleh pemerintah daerah, dalam hal ini ditangani oleh Dinas
Terdapat 5 (lima) jenis pajak provinsi dan 11 (sebelas) jenis pajak kabupaten/kota,
e. Pajak rokok
10
a. Pajak hotel
b. Pajak restoran
c. Pajak hiburan
d. Pajak reklame
g. Pajak parkir
benda, alat, perbuatan, atau media yang bentuk dan corak ragamnnya dirancang
untuk menarik perhatian umum terhadap barang, jasa, orang, atau badan, yang
3.4 Peramalan
Definisi dari peramalan adalah memperkirakan besarnya atau jumlah sesuatu pada
waktu yang akan datang berdasarkan data pada masa lampau yang dianalisis
yang akan terjadi di masa yang akan datang. Suatu usaha untuk mengurangi
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
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).
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
dkk., 1992).
Dimana
p
C = μ( 1- ∑ ∅ i) (2.2)
i+ 1
Orde dalam model AR sering digunakan dalam analisis time series adalah p=1
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
Secara umum, Orde MA yang sering digunakan dalam analisis deret waktu adalah
ARIMA sering juga disebut metode runtun waktu Box-Jenkins. ARIMA sangat
menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk
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
Jika d adalah bilangan bulat nonnegatif, maka {X t} dikatakan proses ARIMA jika
∅ ¿ ( 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
a. Identifikasi model
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
AR(p) or MA(q) Cuts off after lag q Cuts off after lag p
b. Estimasi parameter
Dalam menaksir parameter model ARIMA ada beberapa metode yang dapat
yang akan digunakan. Ada beberapa kriteria pemilihan model yang dapat
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
Tabel 1. Data jumlah pendapatan pajak reklame di Kota Bandar Lampung periode
Januari 2014 - Desember 2017
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
model ARIMA untuk jumlah pendapatan pajak reklame di Kota Bandar Lampung
Langkah pertama adalah membuat grafik data (plotting data). Berikut adalah
bentuk grafik time series dari data tingkat Inflasi di Kota Bandar Lampung :
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
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
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.
Apabila data sudah stasioner maka asumsi metode ARIMA telah terpenuhi.
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
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
Berdasarkan Gambar 4 dan Gambar 5, nilai ACF dan PACF dapat diketahui dari
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
model di atas adalah dengan melakukan uji hipotesis untuk setiap parameter
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
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.
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
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
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
MS = 0.4506 DF = 88
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.
dilakukan pemilihan model terbaik dari semua kemungkinan model dengan cara
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
Selain uji asumsi residual bersifat random (non autokorelasi), residual model juga
1
RESI1
-1
-2
1 10 20 30 40 50 60 70 80 90
Index
Berdasarkan plot residual diatas dapat kita lihat, bahwa residual berfluktuasi
konstan.
60
50
40
30
20
10
5
0.1
-3 -2 -1 0 1 2 3
RESI1
27
Berdasarkan plot normalitas residual model ARIMA (1,1,1) diatas masih berada
normal. Untuk lebih meyakinkan kita lakukan uji asumsi normalitas sebagai
berikut:
α= 0,05
value residualnya sebesar 0,010. Karena p-value lebih kecil dari α= 0,05 maka
4.6Hasil Peramalan
Dalam pembahasan ini penulis akan meramalkan 12 periode selanjutnya, dan hasil
Tabel 4. Hasil peramalan tingkat inflasi di Kota Bandar Lampung periode Januari
Dari nilai hasil peramalan inflasi di Kota Bandar Lampung periode Januari 2017
mengalami penurunan. Untuk plot data setelah dilakukan hasil peramalan adalah
sebagai berikut :
2
INFLASI
-1
1 10 20 30 40 50 60 70 80 90 100
Time
V. KESIMPULAN
penurunan selama 1 tahun yaitu dari Januari 2017 sampai Desember 2017.
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.
Muana Nanga. 2001. Makro Ekonomi Teori, Masalah dan Kebijakan Edisi
Pertama. Jakarta : Rajawali Press.
Wei, William, W.S. 2006. Time Series Analysis : Univariate and Multivariate
Methods, 2nd Edition. USA: Pearson Educations, Inc.