SISTEM PERINGATAN DINI PENCAPAIAN PENDAPATAN ASLI DAERAH PADA DINAS PENDAPATAN PROVINSI JAWA TIMUR

Transkripsi

1 SISTEM PERINGATAN DINI PENCAPAIAN PENDAPATAN ASLI DAERAH PADA DINAS PENDAPATAN PROVINSI JAWA TIMUR Nurvan Indra Praja 1) dan Joko Lianto Buliali 2) Program Studi Magister Manajemen Teknologi, Institut Teknologi Sepuluh Nopember 1) Jl. Cokroaminoto 12 A, Surabaya, 60264, Indonesia. Jurusan Teknik Informatika, Institut Teknologi Sepuluh Nopember 2) Kampus ITS, Keputih, Sukolilo, Surabaya. 1), 2) ABSTRAK PAD yang diperoleh Dipenda Jatim memiliki kontribusi yang besar terhadap PAD secara keseluruhan di JawaTimur. Kontrol terhadap PAD merupakan hal yang penting untuk dilakukan oleh pimpinan di Dipenda Jatim, agar penerimaan PAD dapat sesuai dengan target yang ditetapkan. Penelitian ini bertujuan untuk membangun sistem peringatan dini, dimana akan menghasilkan tiga indikator, yaitu: tercapai, waspada, dan tidak tercapai. Ada lima metode yang digunakan untuk memprediksi data PAD yang berupa data deret waktu, yaitu: metode rata-rata, Single Exponential, Trend Analysis, Winter Additive, dan Feed Forward Neural Network (FFNN). Perhitungan dilakukan dengan membandingkan nilai kesalahan diantara metode-metode tersebut. Berdasarkan hasil perhitungan didapatkan bahwa setiap jenis penerimaan memiliki metode yang berbeda-beda, dilihat dari nilai kesalahan yang paling kecil. Hasil uji coba menunjukkan bahwa kondisi prediksi yang mewakili kondisi sebenarnya adalah hasil prediksi untuk jangka waktu prediksi 9 bulan dan 3 bulan terakhir, dengan selisih persentase prediksi terhadap realisasi untuk data penerimaan tahun 2015 sebesar 2.03% dan 1.24%. Metode tersebut kemudian diterapkan di dalam sistem peringatan dini, yang dibangun dengan model prototyping. Proses peninjauan prototype oleh pengguna dan perbaikan prototype, berdasarkan hasil tinjauan dari pengguna akan berjalan secara rekursif sampai tidak ada tinjauan dari pengguna kembali. Kata kunci: sistem peringatan dini, prediksi, analisis deret waktu PENDAHULUAN Penerimaan dari sektor Pajak dan Retribusi serta Pendapatan Lain-Lain, yang dikelola oleh Dinas Pendapatan Provinsi Jawa Timur (Dipenda Jatim) memiliki kontribusi yang besar terhadap Pendapatan Asli Daerah (PAD) di Provinsi Jawa Timur. Proporsi PAD Dipenda Jatim terhadap keseluruhan PAD di Provinsi Jawa Timur lebih dari 80%. Sehingga, kontrol terhadap penerimaan PAD Dipenda Jatim, sangat perlu dilakukan untuk menjamin tercapainya penerimaan PAD Dipenda Jatim sesuai dengan target yang ditetapkan. Untuk itu dibutuhkan sebuah sistem yang dapat memberikan peringatan dini terhadap ketercapaian penerimaan PAD Dipenda Jatim, agar pimpinan di Dipenda Jatim dapat menentukan strategi lebih dini. Ada tiga indikator di dalam sistem peringatan dini antara lain: tercapai, waspada, dan tidak tercapai. Untuk menentukan indikator tersebut, sistem akan melakukan prediksi berdasarkan data penerimaan PAD pada tahun-tahun sebelumnya. Selain data PAD secara global, juga diperlihatkan prediksi tiap jenis penerimaan PAD, meliputi: Pajak Kendaraan Bermotor (PKB), Bea Balik Nama Kendaraan Bermotor (BBNKB), Pajak 1

2 Bahan Bakar Kendaraan Bermotor (PBBKB), Pajak Air Permukaan (PAP), Pajak Rokok, Retribusi Jasa Usaha (RJU), dan Penerimaan Lain-Lain (PLL). Studi Literatur Pada penelitian ini, terlebih dahulu akan ditentukan metode yang menghasilkan prediksi paling baik terhadap data penerimaan PAD. Dimana data tersebut berupa data deret waktu. Metode prediksi yang diuji cobakan, yaitu: a. Rata-rata Metode rata-rata adalah metode prediksi yang digunakan saat ini. Prediksi pada awal tahun anggaran baru dilakukan dengan mengambil rata-rata data PAD pada 1 (satu) tahun sebelumnya. Sedangkan periode berikutnya, dengan mengambil rata-rata pada awal tahun anggaran tersebut sampai dengan tanggal terakhir penerimaan PAD. b. Single Exponential Single Exponential Smothing merupakan metode yang digunakan untuk prediksi jangka pendek dan tidak terdapat trend (Kalekar, 2004). Fungsi persamaannya adalah sebagai berikut: (1) Dimana: = nilai ramalan periode t = nilai aktual pada periode t = faktor bobot / konstanta pemulusan, dimana nilai yaitu: 0 < < 1. c. Trend Analysis Trend Analysis merupakan metode prediksi untuk data yang memiliki tren garis lurus/konstan (Berenson, 2012). Fungsi persamaannya adalah sebagai berikut: (2) Dimana: = nilai ramalan periode t = nilai aktual pada periode t = pengkodean terhadap periode t = jumlah data. d. Winter Additive Winter Additive adalah metode prediksi untuk data deret waktu musiman dengan penambahan yang relatif konstan (Kalekar, 2004). Ada tiga bentuk penghalusan dalam metode Winter Additive, yaitu: Penghalusan keseluruhan: (3) Penghalusan trend: (4) Penghalusan musiman: (5) Untuk prediksi menggunakan metode Winter Additive persamaannya adalah sebagai berikut: (6) Dimana: = nilai aktual pada periode akhir t = parameter penghalusan untuk data (0< <1) = parameter penghalusan untuk trend (0< <1) γ = parameter penghalusan untuk musiman (0<γ<1) 2

3 = faktor penyesuaian musiman L = panjang musim = ramalan untuk periode m ke depan dari t. e. Feed Forward Neural Network (FFNN) FFNN merupakan salah satu tipe dari neural network yang paling banyak digunakan dalam aplikasi di bidang teknik atau rekayasa (Suhartono, 2007). FFNN yang digunakan memiliki layar tersembunyi/ hidden layers atau disebut sebagai multilayer network. Dalam FFNN, terdapat fungsi aktivasi berupa fungsi sigmoid biner, yang memiliki range (0, 1), seperti pada persamaan berikut (Siang, 2009): (6) Inputan pada FFNN yaitu lag-lag yang signifikan pada Partial Autocorelation (PACF). Jika data tidak stasioner, maka data distasionerkan terlebih dahulu kemudian membuat PACF (Lusia, 2013). Untuk mengetahui akurasi prediksi oleh model tertentu, perlu ditentukan nilai kesalahan masing-masing model (Adhikari, 2013). Dimana nilai yang digunakan adalah Mean Absolute Deviation (MAD), Mean Squared Deviation (MSD), Root Mean Squared Error (RMSE). Setelah mendapatkan metode prediksi, sistem akan dibangun menggunakan metode prototyping. Metode pembangunan perangkat lunak dengan prototyping mengedepankan interaksi dengan pengguna, karena pengguna sistem hanya mengetahui kebutuhan secara umum (Pressman, 2010). Tujuan Penulisan Tujuan penelitian ini adalah untuk membangun sistem peringatan dini terhadap kondisi penerimaan PAD di Dipenda Jatim sehingga dapat mengetahui beberapa hal sebagai berikut: 1. Mengetahui metode prediksi yang paling baik dalam memprediksi penerimaan PAD berdasarkan data penerimaan PAD yang telah didapatkan sebelumnya. 2. Mengetahui pemilihan data penerimaan PAD yang dapat memberikan hasil prediksi yang paling baik. 3. Mengetahui desain arsitektur sistem peringatan dini yang akan dibangun sesuai dengan kebutuhan pengguna. METODE Metodologi penelitian dalam penelitian ini mengikuti diagram alur pada gambar 1. Untuk menentukan metode prediksi, data yang digunakan adalah data penerimaan PAD mulai dari tahun 2012 s.d tahun Prediksi dilakukan setiap rentang triwulanan, sesuai dengan rentang waktu penentuan target di Dipenda Jatim, yaitu: prediksi data selama satu tahun, sembilan bulan, enam bulan, dan tiga bulan. Dari hasil perhitungan, metode yang memiliki nilai kesalahan terkecil yang akan dipilih sebagai metode prediksi dalam sistem peringatan dini. Sistem dibangun menggunakan model prototyping. Untuk itu perlu didefinisikan kebutuhan sistem awal, antara lain: - Sistem dapat menampilkan prediksi penerimaan PAD secara global dan tiap jenis penerimaan. - Memberikan perbedaan yang jelas untuk kondisi prediksi penerimaan, yang dibedakan dengan warna/simbol tertentu. - Informasi prediksi penerimaan PAD harus dapat terpantau dimanapun. - Data yang diinformasikan harus selalu terbaru (update). 3

4 Perumusan masalah dan tujuan penelitian Menentukan beberapa metode prediksi Membandingkan dan Memilih metode prediksi berdasarkan nilai akurasi yang terkecil Membuat desain tampilan prototype Y Membangun prototype Apakah masih terdapat revisi prototype? Tidak Reviewprototype oleh pengguna Analisis Kebutuhan Pengguna Membangun Sistem Menyusun kesimpulan penelitian Gambar 1. Metodologi penelitian Berdasarkan kebutuhan sistem awal tersebut, maka dibuatlah prototype awal seperti pada gambar 2. Di dalam gambar tersebut, terdapat indikator berwarna, dimana warna merah menunjukkan kondisi tidak tercapai (persentase penerimaan < 98%), kuning untuk kondisi waspada (persentase penerimaan antara 98%-102%), dan hijau untuk kondisi tercapai (persentase penerimaan 102%). Prototype tersebut kemudian ditunjukkan kepada pengguna untuk mendapatkan tinjuan ulang, yang nantinya dilakukan penyempurnaan prototype sesuai dengan kebutuhan pengguna. Apabila sudah tidak terdapat tinjauan ulang, sistem baru dibangun secara keseluruhan. HASIL DAN PEMBAHASAN Penentuan Metode Prediksi Penentuan metode prediksi yang tepat dilakukan dengan membandingkan nilai MAD, MSD, dan RMSE pada masing-masing metode prediksi untuk tiap jenis penerimaan. Karena tiap jenis penerimaan PAD memiliki karakteristik yang berbeda, baik dari segi frekuensi penerimaan maupun jumlah penerimaan. Selain itu, outlier data pada data penerimaan PAD secara global dapat mempengaruhi keakuratan hasil prediksi. Perhitungan prediksi dilakukan setiap triwulan, karena di Dipenda Jatim terdapat evaluasi target penerimaan setiap triwulan. Perhitungan prediksi dilakukan setiap jangka waktu 12 bulan, 9 bulan, 6 bulan, dan 3 bulan. 4

5 Gambar 2. Prototype awal Berikut ini perbandingan antara metode prediksi pada tiap jenis penerimaan: a. Pajak Kendaraan Bermotor (PKB) Pembayaran PKB dilakukan setahun sekali untuk satu kendaraan bermotor. Pembayaran dapat dilakukan pada hari kerja maupun hari libur, karena terdapat fasilitas pembayaran yang buka pada hari libur. Hasil akhir dari sistem peringatan dini ini adalah jumlah penerimaan pada akhir tahun, sehingga yang digunakan sebagai bahan prediksi adalah data penerimaan harian. Sebelum dilakukan perhitungan prediksi, terlebih dahulu dilakukan pemilahan data yaitu: hari kerja dan hari libur. Karena antara hari kerja dengan hari libur terdapat selisih penerimaan yang besar (outlier). Selain itu, ada waktu tertentu dimana tidak terdapat penerimaan pada hari libur (Rp 0). Data penerimaan 0 dapat mempengaruhi keakuratan hasil prediksi. Prediksi menggunakan metode rata-rata, Single Exponential, dan Trend Analysis dihitung dengan Minitab 16. Model Winter Additive juga dihitung menggunakan Minitab 16, tetapi dengan melakukan perulangan untuk menemukan nilai, β, dan γ yang optimal. Musiman yang digunakan adalah 1 tahun, sehingga untuk data hari kerja saja sebesar 293 hari dan untuk data semua hari sebesar 365 hari. Prediksi dengan metode FFNN dihitung menggunakan program R. Jumlah hidden neuron sebanyak 1 sampai dengan 7 buah neuron. Dari sejumlah hidden neuron tersebut, dilakukan perulangan untuk mendapatkan nilai prediksi yang optimal. Tabel 1 menunjukkan perbandingan nilai kesalahan masing-masing metode prediksi dengan menggunakan data hari kerja saja. Dari tabel tersebut dapat dilihat bahwa metode Trend Analysis memiliki nilai kesalahan yang paling kecil untuk jangka waktu prediksi 12 bulan, 9 bulan, dan 6 bulan. Sedangkan untuk jangka waktu 3 bulan metode Winter Additive yang paling kecil nilai kesalahannya. Table 1. Perbandingan Metode Prediksi Untuk Data PKB Hari Kerja Jangka Waktu Prediksi 12 BULAN 9 BULAN Nilai kesalahan RATA-RATA SINGLE EX SMOOTH METODE PREDIKSI TREND ANALYSIS WINTER ADDITIVE (Musiman 293 hari) FFNN (1 hidden neuron) MAD E E E E E+09 MSD E E E E E+19 RMSE E E E E E+09 MAD E E E E E+09 MSD E E E E E+19 RMSE E E E E E+09 6 BULAN MAD E E E E E+09 5

6 3 BULAN MSD E E E E E+19 RMSE E E E E E+09 MAD E E E E E+09 MSD E E E E E+19 RMSE E E E E E+09 Tabel 2 menunjukkan perbandingan nilai kesalahan masing-masing metode prediksi dengan menggunakan data semua hari. Dari tabel tersebut dapat dilihat bahwa metode Trend Analysis memiliki nilai kesalahan yang paling kecil untuk semua jangka waktu prediksi. Table 2. Perbandingan Metode Prediksi Untuk Data PKB Semua Hari Jangka Waktu Prediksi 12 BULAN 9 BULAN 6 BULAN 3 BULAN Nilai kesalahan RATA-RATA SINGLE EX SMOOTH METODE PREDIKSI TREND ANALYSIS WINTER ADDITIVE (Musiman 365 hari) FFNN (4 hidden neuron) MAD E E E E E+09 MSD E E E E E+19 RMSE E E E E E+09 MAD E E E E E+09 MSD E E E E E+21 RMSE E E E E E+10 MAD E E E E E+09 MSD E E E E E+20 RMSE E E E E E+10 MAD E E E E E+09 MSD E E E E E+20 RMSE E E E E E+10 Apabila dibandingkan antara tabel 1 dengan tabel 2 dapat dilihat bahwa nilai kesalahan tabel 1 lebih kecil daripada tabel 2. Artinya bahwa dengan memilih data penerimaan hari kerja saja, maka hasil prediksinya menjadi lebih baik daripada dengan menggunakan data semua hari untuk jenis penerimaan PKB. b. Bea Balik Nama Kendaraan Bermotor (BBNKB) BBNKB dibayarkan pada saat kendaraan bermotor berpindah kepemilikan. Pembayarannya harus di Samsat induk yang buka hanya pada saat hari kerja (Senin sampai dengan Sabtu). Sehingga data yang digunakan hanya data penerimaan pada hari kerja. Dengan cara yang sama pada penerimaan jenis PKB, maka metode rata-rata memiliki nilai kesalahan yang paling kecil untuk jangka waktu prediksi 6 sampai dengan 12 bulan, sedangkan untuk jangka waktu prediksi 3 bulan metode yang paling baik adalah Single Exponential. c. Pajak Bahan Bakar Kendaraan Bermotor (PBBKB), Pajak Air Permukaan (PAP), Retribusi Jasa Usaha (RJU), dan Penerimaan Lain-Lain (PLL) PBBKB, PAP, RJU, PLL adalah jenis penerimaan PAD yang diterima tidak setiap hari kerja. PBBKB, PAP, dan RJU dibayarkan oleh wajib pajak dan wajib retribusi setiap bulan sekali pada tanggal yang berbeda-beda. Untuk itu, maka data yang digunakan untuk prediksi adalah data penerimaan bulanan. Metode prediksi dengan nilai kesalahan terkecil pada penerimaan PBBKB adalah metode Winter Additive, untuk jangka waktu penerimaan 9 bulan, 6 bulan, dan 3 bulan. Sedangkan untuk jangka waktu prediksi 12 bulan menggunakan metode Single Exponential. Metode prediksi dengan nilai kesalahan terkecil pada penerimaan PAP adalah metode Trend Analysis, untuk jangka waktu penerimaan 9 bulan dan 6 bulan. Sedangkan untuk 6

7 jangka waktu prediksi 12 bulan dan 3 bulan masing-masing menggunakan metode ratarata dan Single Exponential. Metode prediksi dengan nilai kesalahan terkecil pada penerimaan RJU adalah metode Single Exponential, untuk jangka waktu penerimaan 12 bulan dan 6 bulan. Sedangkan untuk jangka waktu prediksi 9 bulan dan 3 bulan menggunakan metode Winter Additive. Metode prediksi dengan nilai kesalahan terkecil pada penerimaan PLL adalah metode Winter Additive, untuk jangka waktu penerimaan 9 bulan, 6 bulan, dan 3 bulan. Sedangkan untuk jangka waktu prediksi 12 bulan menggunakan metode rata-rata. d. Pajak Rokok Pajak Rokok mulai diberlakukan di Jawa Timur pada tahun Jenis penerimaan ini tidak diterima secara teratur dengan waktu tertentu. Dilihat dari penerimaan Pajak Rokok pada tahun 2014 dan 2015, dalam satu tahun terdapat penerimaan sebanyak 4 (empat) kali. Jangka waktu prediksi yang digunakan sesuai dengan frekuensi jumlah penerimaan dalam waktu 1 tahun, sehingga satuannya adalah kali. Untuk FFNN tidak dapat dimodelkan, karena data training terlalu sedikit, sehingga tidak signifikan pada lag PACF berapapun. Metode prediksi dengan nilai kesalahan terkecil adalah metode Winter Additive, untuk jangka waktu penerimaan selama 4 kali, 3 kali, dan 1 kali. Sedangkan untuk jangka waktu prediksi selama 2 kali menggunakan metode rata-rata. Tabel 3 merupakan rekapitulasi metode prediksi yang dipilih berdasarkan perhitungan nilai kesalahan. Dari metode prediksi yang telah dipilih tersebut, kemudian dijadikan metode prediksi dalam sistem peringatan dini yang akan dibangun. Table 3. Rekap Metode Prediksi Dengan Nilai kesalahan Terkecil Untuk Masing-Masing Data Jenis Penerimaan PAD No Jenis Metode Prediksi Penerimaan 12 bln / 4 kali 9 bln / 3 kali 6 bln / 2 kali 3 bln / 1 kali Jenis Data 1 PKB Trend Analysis Trend Analysis Trend Analysis Winter Additive Data Harian Hari Kerja 2 BBNKB Rata-rata Rata-rata Rata-rata Single Ex Data Harian Hari Kerja 3 PBBKB Single Ex Winter Additive Winter Additive Winter Additive Data Bulanan 4 PAP Rata-rata Trend Analysis Trend Analysis Single Ex Data Bulanan 5 RJU Single Ex Winter Additive Single Ex Winter Additive Data Bulanan 6 PLL Rata-rata Winter Additive Winter Additive Winter Additive Data Bulanan 7 Pajak Rokok Winter Additive Winter Additive Rata-rata Winter Additive Data Tahunan Uji Coba Metode Prediksi Untuk Sistem Peringatan Dini Tabel 4 menunjukkan hasil uji coba prediksi penerimaan PAD pada sistem peringatan dini menggunakam metode yang dipilih dengan jangka waktu prediksi setiap triwulan untuk data penerimaan tahun Tabel tersebut menunjukkan bahwa hampir semua jenis penerimaan berada dalam kondisi tercapai. Kondisi prediksi yang sangat mewakili kondisi sebenarnya adalah hasil prediksi untuk jangka waktu prediksi 3 bulan terakhir, dengan selisih prosentase sebesar 1,24%. Table 4.Hasil Uji Coba Prediksi Untuk Sistem Peringatan Dini NO JENIS PENERI MAAN PREDIKSI 12 BULAN PREDIKSI 9 BULAN PREDIKSI 6 BULAN PREDIKSI 3 BULAN PROSEN KONDISI PROSEN KONDISI PROSEN KONDISI PROSEN KONDISI 1 PKB Tercapai Waspada Waspada Tercapai 2 BBNKB Tercapai Tidak Waspada Tidak 7

8 Tercapai Tercapai 3 PBBKB Tercapai Waspada Waspada Waspada 4 PAP Tercapai Tercapai Tercapai Tercapai 5 RJU Tercapai Tercapai Tercapai Tercapai 6 PLL Tercapai Waspada Tercapai Tercapai 7 PAJAK ROKOK Tidak Tercapai Tercapai Tercapai Tercapai JUMLAH Tercapai Tercapai Tercapai Tercapai KESIMPULAN DAN SARAN Kesimpulan dari penelitian ini adalah sebagai berikut: 1. Masing-masing jenis penerimaan memiliki metode prediksi yang berbeda berdasarkan perhitungan nilai kesalahan yang paling kecil. Sehingga tidak ada satu metode prediksi yang dapat digunakan untuk memprediksi semua jenis data. 2. Metode prediksi sederhana (rata-rata, Trend Analysis, dan Single Exponential ) pada data tertentu (BBNKB dan PAP) menghasilkan prediksi yang lebih baik dari pada metode prediksi yang kompleks (Winter Additive dan Feed Forward Neural Network). 3. Dengan memilih data penerimaan hanya pada saat hari kerja pada jenis penerimaan PKB menghasilkan prediksi yang lebih baik apabila dibandingkan dengan data penerimaan di semua hari. 4. Jangka waktu prediksi mempengaruhi besarnya nilai kesalahan pada metode prediksi, sehingga dengan jangka waktu prediksi yang berbeda, metode prediksi yang digunakan juga berbeda. Saran dari penelitian ini adalah sebagai berikut: 1. Data penerimaan PAD yang digunakan untuk data training sebaiknya diperbanyak, agar model yang dihasilkan oleh metode prediksi menjadi lebih baik. 2. Perlu dicoba metode prediksi yang lain, agar semakin banyak metode prediksi yang dibandingkan dan mendapatkan metode prediksi yang paling baik. 3. Perlu dicoba metode prediksi dengan model kausal (Regresi) dan dengan menambahkan data pendukung yang mempengaruhi penerimaan PAD (pertumbuhan ekonomi, jumlah kendaraan bermotor, dan sebagainya). DAFTAR PUSTAKA Adhikari, R. dan Agrawal, R. K. (2013), An Introductory Study on Time Series Modeling and Forecasting, LAP LAMBERT Academic Publishing. Berenson, M. L., Levine, D. M., and Krehbiel, T. C. (2012), Basic Business Statistics, Concept and Application, Twelfth Edition., Prentice Hall. Kalekar, P. S. (2004), Time series forecasting using holt-winters exponential smoothing, Kanwal Rekhi School of Information Technologys. Lusia, Dwi Ayu. (2013), Peramalan Ensemble Untuk Curah Hujan di Indonesia Berdasarkan Dua Level ARIMAX-NN, Tesis,. Jurusan Statistika, Intitut Teknologi Sepuluh Nopember, Surabaya. Pressman, Roger. S. (2010), Software Engineering: A Practitioner s Approach, Seventh Edition, Mc Graw Hill. Siang, Jong Jek. (2009), Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB, Edisi ke-2, ANDI, Yogyakarta. Suhartono. (2007), Feedforward Neural Networks untuk Pemodelan Runtun Waktu, Disertasi, Jurusan Matematika, Universitas Gadjah Mada, Yogyakarta. 8