Artikel Ilmiah. Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs.

Transkripsi

1 Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor dengan Metode Autoregressive Integrated Moving Average (ARIMA) (Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah Provinsi Jawa Tengah) Artikel Ilmiah Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs. Program Studi Sistem Informasi Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga Februari 2016

2 Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor dengan Metode Autoregressive Integrated Moving Average (ARIMA) (Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah Provinsi Jawa Tengah) Artikel Ilmiah Diajukan kepada Fakultas Teknologi Informasi Untuk memperoleh Gelar Sarjana Komputer Peneliti : Auditya Gianina Bernadine Amaheka ( ) Michael Bezaleel Wenas, S.Kom., M.Cs. Program Studi Sistem Informasi Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Salatiga Februari 2016

3

4

5

6

7

8

9 Analisis Peramalan Penerimaan Pajak Kendaraan Bermotor dengan Metode Autoregressive Integrated Moving Average (ARIMA) (Studi Kasus : Dinas Pendapatan dan Pengelolaan Aset Daerah Provinsi Jawa Tengah) 1) Auditya Gianina Bernadine Amaheka, 2) Michael Bezaleel Program Studi Sistem Informasi Fakultas Teknologi Informasi Universitas Kristen Satya Wacana Jl. Diponegoro Salatiga 1) audie.nina@gmail.com, 2) michael.bezaleel.wenas@gmail.com Abstract The main financial resource of a region comes from regional taxes which will be used for the development in that particular region. However, the government s current policies regarding to the regional tax have a tendency to create fluctuations on the regional tax income. This recurring condition leads to the disproportion development over a region. The biggest source income in a region comes from vehicle taxes. The accurate calculation of vehicle taxes will bring benefits to support the government s objectives. The tax income might be increased or decreased. Therefore, the estimation of the tax income in the subsequent period is necessary. Hence, this research is aimed to estimate the vehicle tax in Central Java Province for the subsequent period using autoregressive integrated moving average (ARIMA) method. The research outcome shows that ARIMA ( 1,1,1 )(1,0,0) 12 is the best model to estimate the tax income in Central Java Province up to the next four periods. Key words: regional tax, vehicle tax, autoregressive integrated moving average (ARIMA) Abstrak Sumber utama pendapatan daerah adalah pajak daerah yang nantinya akan digunakan untuk pembangunan daerah. Kesalahan yang sering terjadi adalah kurang tepatnya pemerintah dalam memenuhi kebutuhan masyarakat karena pendapatan pajak daerah yang selalu berubah-ubah, sehingga pembangunan terjadi tidak merata. Sumber pendapatan terbesar suatu daerah adalah pajak kendaraan bermotor, perhitungan pajak kendaraan bermotor yang baik dapat mendukung tercapainya suatu tujuan yang telah ditetapkan oleh pemerintah. Jumlah pendapatan pajak akan semakin meningkat atau dapat sebaliknya, untuk itu diperlukan ada peramalan terhadap pendapatan pajak kendaraan bermotor pada periode selanjutnya. Oleh sebab itu, penelitian ini bertujuan untuk meramalkan pajak kendaraan bermotor provinsi Jawa Tengah untuk periode mendatang dengan menggunakan metode autoregressive integrated moving average (ARIMA). Hasil penelitian menunjukkan model ARIMA 1,1,1 (1,0,0) 12 merupakan model terbaik untuk peramalan pajak kendaraan bermotor provinsi Jawa Tengah. Model ARIMA digunakan untuk meramalkan pajak kendaraan bermotor untuk empat periode kedepan. Kata kunci : Pajak Daerah, Pajak kendaraan bermotor, autoregressive integrated moving average (ARIMA) 1) Mahasiswa Fakultas Teknologi Informasi Jurusan Sistem Informasi, Universitas Kristen Satya Wacana 2) Staff Pengajar Fakultas Teknologi Informasi, Universitas Kristen Satya Wacana Salatiga

10 1. Pendahuluan Tercapainya pembangunan daerah merupakan satu wujud nyata pelayanan pemerintah daerah kepada masyarakat. Pembangunan daerah sendiri dapat terlaksana apabila ada dana yang tersedia dan dana yang dibutuhkan tidak sedikit, salah satu sumber dana pembangunan berasal dari pajak daerah, dimana pajak tersebut berasal dari masyarakat yang nantinya akan dikembalikan dalam bentuk fasilitas pelayanan publik masyarakat. Salah satu sumber pajak daerah yang memiliki potensial yang cukup besar adalah Pajak Kendaraan Bermotor (PKB). Pajak Kendaraan Bermotor (PKB) adalah pajak atas kepemilikan dan atau penguasaan kendaraan bermotor [1]. Masalah yang sering terjadi adalah kurang nya pelayanan publik kepada masyarakat, sehingga tidak terpenuhinya kebutuhan masyarakat. Prosedur perhitungan pajak kendaraan bermotor yang baik merupakan salah satu aspek pengelolaan pendapatan yang sangat mendukung tercapainya tujuan yang ditetapkan oleh pemerintah. Dengan demikian, perlu dilakukan estimasi penerimaan pendapatan pajak kendaraan bermotor secara baik sehingga dapat diketahui berapa besar penerimaan yang nantinya dapat dikelola secara baik pula. Jumlah penerimaan pendapatan pajak akan semakin meningkat dan dapat pula sebaliknya, untuk itu perlu adanya peramalan terhadap proses perhitungan pajak kendaraan bermotor untuk periode selanjutnya. Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan [2]. Peramalan digunakan sebagai perencanaan dalam memperkirakan nilai yang akan terjadi dimasa yang akan datang. Dalam suatu organisasi peramalan menjadi salah satu bagian penting dalam proses penentuan rencana jangka pendek maupun jangka panjang, peramalan tentang suatu nilai tidak selalu tepat pada kenyataannya. Peramalan sendiri dibagi menjadi beberapa jenis, salah satunya adalah ARIMA (Autoregressive Integrated Moving Average). ARIMA merupakan metode peramalan yang menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat [3]. ARIMA merupakan metode peramalan yang sangat baik dalam peramalan jangka pendek. Oleh karena itu ARIMA dipilih agar dapat membantu pemerintah provinsi Jawa Tengah dalam memprediksi besar pendapatan pajak kendaraan bermotor untuk periode kedepan dan sebagai bahan pertimbangan untuk pengambilan keputusan atau kebijakan bagi Dinas Pendapatan Aset Daerah Jawa Tengah dalam usaha peningkatan jumlah pendapatan daerah.

11 2. Kajian Pustaka Penelitian yang berjudul Penerapan model ARIMA untuk memprediksi harga saham PT.Telkom Tbk latar belakang permasalahan tentang penelitian ini adalah sulitnya para investor dalam menentukan waktu yang tepat dalam membeli dan menjual sahamnya kembali. Penelitian ini menggunakan model ARIMA sebagai proses untuk membuat model dan melakukan prediksi terhadap harga saham PT.Telkom Tbk. Dengan menggunakan metode ARIMA maka PT.Telkom, Tbk dapat memprediksi harga saham maksimum dan minimum untuk bulan Mei dan Juni [4]. Penelitian lainnya tentang Penggunaan Model Peramalan Autoregressive Integrated Moving Avarage (ARIMA) untuk Analisis Besar Cakupan Pelayanan Air, adalah penelitian tentang seberapa besar cakupan air bersih yang tersedia. Cakupan pelayanan dilihat dengan pemakaian air melalui Sambungan Rumah dan Hidran Umum. Di kota surakarta terdapat masalah dari dampak berkurangnya open space yaitu jumlah debit air menurun. Oleh sebab itu perlu dilakukan analisa terhadap besar cakupan layanan yang mampu dilakukan oleh PDAM surakarta [5]. Berdasarkan penelitian-penelitian yang sudah ada tentang model ARIMA maka, dilakukan penelitian tentang pengelolaan data pajak kendaraan bermotor. Penelitian dilakukan untuk meramalkan pajak kendaraan bermotor di masa yang akan datang menggunakan model ARIMA. Luaran dari penelitian ini adalah hasil peramalan pajak kendaraan bermotor untuk empat periode kedepan yang dapat digunakan pihak pemerintah sebagai acuan dalam peningkatan fasilitas penunjang kepada masyarakat. Peramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu kejadian atau peristiwa di waktu yang akan datang [6]. Metode Time Series didasarkan pada analisis data sebuah variabel hasil pengamatan yang disusun mengikuti urutan waktu. Pengamatan dapat dilakukan secara tahunan, bulanan, mingguan, harian atau periode yang lebih pendek. Jika data yang diperlukan tersedia, suatu hubungan peramalan dapat dihipotesiskan baik sebagai fungsi dari deret waktu atau sebagai fungsi dari variabel bebas, kemudian diuji. Langkah penting dalam memilih suatu metode time series yang tepat adalah dengan mempertimbangkan jenis pola data. Pola data dapat dibedakan menjadi empat jenis, yaitu pola data horizontal, pola data trend, pola data musiman, dan pola data siklis [7]. ARIMA sering disebut dengan metode Box-Jenkins, ARIMA adalah model yang mengabaikan variabel bebas dalam membuat peramalan karena model ini menggunakan nilai masa lalu dan sekarang dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat. ARIMA cocok digunakan untuk observasi dari deret waktu (time series) secara statistik berhubungan satu sama lain. Metode ARIMA berbeda dengan metode peramalan lain karena metode ini tidak mensyaratkan suatu pola data tertentu supaya model dapat bekerja dengan baik., ARIMA sendiri hanya menggunakan satu variabel saja dalam proses perhitungan yaitu variabel dependen [8].

12 ARIMA mewakili tiga metode yaitu dari autoregressive (AR), moving average (MA), serta autoregressive dan moving average (ARMA). Tahapan pelaksanaan metodenya yaitu : a. Metode diidentifikasi menggunakan autokorelasi dan parsial autokorelasi. b. Metode diestimasi sebagai model sementara yang akan digunakan dalam tahap pengujian model. c. Pengujian dilakukan untuk mendapatkan metode yang layak dipakai untuk penerapan peramalan. d. Penerapan, yaitu peramalan nilai data deret berkala yang akan datang menggunakan metode yang telah diuji. Penetapan estimasi metode ARIMA (p,d,q) yang dapat ditentukan dengan cara melihat prilaku dari plot Autocorrelation Function (ACF) dan plot Partial Autocorrelation Function (PACF) dari deret data berkala. Setelah mendapatkan nilai p,d,q maka bisa melakukan perhitungan peramalan ARIMA. Autoregressive and Moving Average (ARMA) Pada Metode ARMA ordo p dan q (AR(p) dan MA(q)) adalah gabungan antara Autoregressive (AR) dan Moving Average (MA). Berikut ini merupakan bentuk umum dari ARMA : X t = μ + φ 1 X t 1 + φ 2 X t φ p X t p + e t - θ 1 e t 1 - θ 2 e t θ q e t q Dimana, X t : data ke-t. μ : nilai konstan. : parameter autoregresif ke-j. φ j e t : nilai error pada saat ke-t. θ j : parameter moving average ke-j. Musiman didefinisikan sebagai suatu pola yang berulang-ulang dalam selang waktu yang tetap. Untuk data yang stasioner, faktor musiman dapat ditentukan dengan mengidentifikasi koefisien autokorelasi pada dua atau tiga time-lag yang berbeda nyata dari nol. Untuk menangani musiman, bentuk umum yang singkat adalah: ARIMA (p,d,q)(p,d,q) M Dimana, (p,d,q) : bagian yang tidak musiman dari model (P,D,Q) : bagian musiman dari model M : jumlah periode per musim

13 Perhitungan Error Menurut Makridakis, Wheelwright & Hyndman [9], untuk menguji ukuran kesalahan peramalan bisa mengunakan beberapa metode. Salah satu cara yang digunakan yaitu MSE (Mean Square Error). MSE merupakan suatu perhitungan jumlah dari selisih data peramalan dengan data yang sebenarnya. Berikut ini merupakan rumus MSE: n d i l X t X 2 t MSE = n d Dimana, n : banyak data d : nilai differencing X t : nilai data deret berkala : nilai ramalan model X t 3. Metodologi Penelitian Metode penelitian yang digunakan adalah metode deskriptif kuantitatif, yang menjelaskan hubungan antar variabel dengan melakukan analisis data numerik (angka) menggunakan metode statistik melalui pengujian hipotesa. Metode statistik yang digunakan adalah proses peramalan berjangka pendek. Keluaran yang dihasilkan dari proses peramalan pada penelitian akan digunakan untuk melakukan perhitungan data untuk empat periode mendatang. Berdasarkan gambar 1, dapat dilihat tahapan penelitian yang dilakukan. Pengumpulan Data Pengolahan Data Analisis Data Kesimpulan Gambar 1 Tahapan Penelitian

14 Proses peramalan yang dilakukan dimulai dengan proses pengumpulan data pajak kendaraan bermotor dari Januari April 2015 sebanyak 88 data. Pengumpulan data tersebut merupakan data sekunder yaitu data historis pajak kendaraan bermotor yang diperoleh dari Dinas Pendapatan dan Pengelolaan Aset Daerah provinsi Jawa Tengah. Langkah selanjutnya adalah pengolahan data dengan tahapan ARIMA menggunakan aplikasi sebagai proses perhitungan. Tahap I Identifikasi Rumusan kelompok modelmodel yang umum Penetapan model untuk sementara Tahap II Penaksiran dan pengujian Penaksiran parameter pada model sementara Pemeriksaan diagnosa (apakah model memadai?) Tidak Ya Tahap III Penerapan Gunakan model untuk peramalan Gambar 2 Tahapan ARIMA a. Tahap identifikasi : identifikasi model dengan menggunakan plot data pajak dan plot Fungsi Autokorelasi (ACF) dan Fungsi Autokorelasi Parsial (PACF) untuk menentukan model sementara yang akan diuji. b. Tahap Penaksiran dan Pengujian : setelah model sementara didapat, langkah selanjutnya adalah melakukan uji estimasi model dan pengujian parameter. Jika model yang diuji tidak memenuhi kriteria maka dilakukan kembali identifikasi menggunakan model lain.

15 c. Tahap Penerapan : setelah model diuji dengan baik dan model memenuhi semua kriteria yang ada maka, model dapat digunakan dalam proses peramalan. Metode ARIMA sendiri hanya berkenan terhadap data yang stasioner. Stasioneritas berarti tidak terdapat pertumbuhan atau penurunan pada data, secara kasarnya data harus horizontal sepanjang sumbu waktu. Dengan kata lain, fluktuasi data berada di sekitar nilai rata-rata yang konstan, tidak tergantung pada waktu dan variansi dari fluktuasi tersebut pada pokoknya tetap konstan setiap waktu [10]. Langkah-langkah dalam proses perhitungan ARIMA, adalah sebagai berikut: Langkah pertama dalam perhitungan ARIMA adalah membuat plot data dan mengidentifikasi ACF dan PACF. Plot data digunakan untuk melihat jenis pola data yang sesuai dengan data yang digunakan dalam peramalan. Metode ARIMA memerlukan data yang stasioner, maka jika data belum stasioner harus dilakukan diferensiasi. Gambar 3 Plot Data Gambar 3 menunjukkan bahwa tingkat pajak kendaraan bermotor di Provinsi Jawa Tengah mengalami kenaikan yang cukup signifikan. Berdasarkan hasil uji plot data diketahui bahwa data pajak kendaraan bermotor tidak stasioner, hal ini dapat dilihat dari pergerakan data yang tidak konstan, bahkan cenderung terlihat adanya unsur musiman dan trend. Pola musiman terlihat adanya pola yang berulang pada data, sedangkan pola trend terlihat adanya data yang meningkat keatas. Data pajak kendaraan bermotor juga tidak menunjukkan stasioner dalam variansi, dapat dilihat sebaran data yang cukup besar antar nilai data, sehingga perlu dilakukan proses transformasi logaritma natural. Transformasi logaritma natural digunakan untuk merubah data yang bernilai desimal atau bernilai 10

16 kedalam bentuk logaritma sehingga nilai sebaran dapat memenuhi asumsi peramalan arima. Gambar 4 Hasil Transformasi Gambar 4 menunjukkan grafik pendapatan pajak hasil transformasi logaritma natural, dapat dilihat nilai sebaran data dirubah kedalam bentuk logaritma sehingga terlihat jarak nilai data tidak terlampau jauh. Dari plot data terlihat bahwa data tidak stasioner dalam mean, data tidak berada pada nilai tengah yang membentuk sumbu horizontal, terlihat masih adanya unsur tren yang terlihat meningkat keatas. Gambar 5 ACF dan PACF tidak stasioner

17 Gambar 5 grafik ACF dan PACF juga dapat menunjukkan stasioner atau tidak stasionernya suatu data dengan menggunakan correlogram. Pada correlogram terlihat grafik ACF yang menurun secara lambat menuju 0 sedangkan grafik PACF terpotong pada lag-1. Dengan demikian maka diperlukan proses diferensiasi menghilangkan pola musiman dan trend yang ada pada data agar data menjadi stasioner. Gambar 6 Hasil Diferensiasi dan Transformasi Logaritma Natural Pada gambar 6 terlihat hasil proses transformasi dan diferensiasi. Hasil dari diferensiasi adalah grafik sudah menunjukkan data stasioneritas pada nilai tengahnya karena grafik terlihat horizontal sepanjang sumbu waktu. Grafik menunjukkan data cenderung lebih baik.

18 Gambar 7 ACF dan PACF stasioner Gambar 7 diperoleh hasil ACF dan PACF yang turun secara eksponensial secara bersamaan setelah lag-1. Model stasioner yaitu model ARMA(p,q) dengan orde p=1 dan q=1, tetapi karena hasil ACF dan PACF terjadi proses diferensiasi. Maka model untuk data adalah model nonstasioner ARIMA(p,q,d) dengan orde p=1, d=1, dan q=1 atau ARIMA(1,1,1). Dari hasil diatas juga dapat dilihat bahwa data bersifat musiman yang ditandai dengan plot ACF dan PACF, terlihat ACF muncul pada lag-12, lag-24, dan lag-36, sedangkan PACF muncul pada lag-13. Dari proses tersebut maka didapatkan hasil model sementara ARIMA musiman ARIMA(p,d,q)ARIMA(P, D, Q) M,yaitu model ARIMA(1,1,1)(1,0,0) 12. Setelah model didapatkan, langkah selanjutnya adalah melakukan estimasi model awal sementara. Lalu dilakukan uji signifikan pada koefisien, bila signifikan maka model tersebut layak digunakan. Bila tidak signifikan maka model tersebut tidak layak digunakan.

19 Gambar 8 Estimasi model ARIMA Pengujian parameter ditentukan dengan melihat pengaruh yang signifikan dari nilai P-value α dengan α sebesar 5%. Dari hasil output, diperoleh pengujian dari setiap variabel dengan nilai koefisien α (Coefficient) dan P-value(Prob) sebagai berikut : Tabel 1 Nilai estimasi Variabel Koefisien P-value AR(1) -0, ,0013 AR(12) 0, ,0000 AR(13) 0, ,0002 MA(1) -0, ,0000 Pada tabel estimasi dapat dilihat bahwa nilai P-value lebih kecil dari nilai α sebesar 5%, pengujian menunjukkan bahwa koefisien model signifikan. Hasil ini dapat diterapkan kedalam persamaan model ARIMA (1,1,1)(1,0,0) 12, sebagai berikut : W t = 0, W t 1 + 0, W t 12 0, W t 13-0, a t 1 + a t Dari hasil output tabel, pengujian ini memberikan kesimpulan bahwa semua koefisien model signifikan.untuk menilai kebaikan model digunakan MSE sebagai perhitungan error, dengan perhitungan sebagai berikut : MSE = SSE = = n p 88 4 Pada model ini dihasilkan nilai MSE yang baik sebesar Langkah selanjutnya akan diperiksa apakah model sementara yang didapatkan pada tahapan sebelumnya sudah cukup memadai untuk dijadikan model peramalan dengan melakukan uji residual.

20 Gambar 9 Residual- Q statistic Pengujian residual untuk melihat sifat white noise pada data. Gambar 9 terlihat bahwa tidak ada garis ACF dan PACF yang keluar dari batas signifikan, terlihat nilai probabilitas > tingkat signifikan α = 0.05, sehingga dapat disimpulkan bahwa residual model bersifat white noise (tidak bersifat autokorelasi). Gambar 10 Heteroskedatisitas Pengujian asumsi heteroskedasitas untuk melihat apakah data memiliki sifat homokedatisitas. Pengujian disimpulkan bahwa residual tidak bersifat heteroskedatisitas jika nilai P-value > α dengan α = 5%. Dari hasil output, Nilai P-value (Prob F(10, 63)) diperoleh sebesar 0,4469 sehingga hasil pengujian ini disimpulkan bahwa residual memiliki varians konstan (homoskedatisitas) (karena P-value > 0,05).

21 Gambar 11 Normalitas Pengujian asumsi yang berikutnya adalah pengujian asumsi normalitas residual model. Pengujian disimpulkan bahwa residual berdistribusi Normal jika nilai P-value > α dengan α = 5%. Dari hasil output, Nilai P-value (Probability) diperoleh sebesar 0, sehingga hasil pengujian ini disimpulkan bahwa residual berdistribusi Normal (karena P-value > 0,05). Dengan terpenuhi semua asumsi, model yang terbentuk dapat digunakan untuk proses peramalan atau forecasting. 4. Hasil dan Pembahasan Proses forecasting (peramalan) digunakan untuk mengetahui jumlah pendapatan yang akan diterima dalam proses pemungutan pajak kendaraan bermotor. Dalam pembahasan ini diramalkan pajak kendaraan bermotor di provinsi Jawa Tengah dari bulan Mei 2015 sampai dengan Agustus 2015 sebagai berikut Gambar 12 Peramalan untuk empat periode

22 Gambar 12 dari grafik diatas dapat dilihat bahwa hasil peramalan untuk pajak kendaraan bermotor di provinsi Jawa Tengah untuk bulan mei 2015 sampai dengan bulan Agustus 2015 periode kedepan, hasil peramalan menunjukkan hasil mengalami peningkatan. Tabel 2 Hasil Perbandingan Data Peramalan dan Data Aktual Bulan Data Peramalan Data Aktual Mei 224,552,134, ,153,697, Juni 242,784,330, ,877,280, Juli 249,391,397, ,510,722, Agustus 253,761,041, ,713,717, Tabel 2 menunjukkan hasil perbandingan data peramalan dengan data asli, terlihat bahwa perbedaan antara data peramalan dengan data asli tidak terlalu jauh berbeda, ini terjadi karena metode ARIMA mempunyai standar error yang kecil, sehingga metode ARIMA dapat digunakan sebagai model peramalan pajak kendaraan bermotor. Setelah dilakukan perbandingan data peramalan dengan data asli, selanjutnya dilakukan peramalan pajak kendaraan bermotor selama satu tahun depan. Hasil peramalan pajak kendaraan bermotor provinsi Jawa Tengah selama satu tahun dari September 2015 sampai Agustus Tabel 3 Hasil Peramalan Pajak Kendaraan Bermotor selama Satu Tahun Bulan Data Peramalan September Oktober November Desember Januari Februari Maret April Mei Juni Juli Agustus

23 5. Kesimpulan Berdasarkan hasil peramalan yang dilakukan pada perhitungan pajak kendaraan bermotor, diperoleh hasil bahwa peramalan menggunakan metode ARIMA terdiri dari tahap proses identifikasi, penaksiran parameter dan pengujian serta penerapan. Model ARIMA yang terbaik berdasarkan nilai kebaikan model dan terpenuhinya asumsi-asumsi untuk digunakan dalam peramalan adalah ARIMA (1,1,1)(1,0,0) 12 dengan persamaan W t = 0, W t 1 + 0, W t 12 0, W t 13-0, a t 1 + a t Hasil peramalan pendapatan pajak kendaraan bemotor selama empat periode kedepan dapat digunakan untuk pertimbangan bagi instansi terkait dalam proses pengembangan dan pembangunan kebutuhan masyarakat. Hasil suatu peramalan (forecasting) bukanlah suatu nilai yang pasti akan terjadi diperiode mendatang, mengingat banyak faktor-faktor di lapangan yang dapat memberi pengaruh yang cukup signifikan pada hasil akhir. 6. Daftar Pustaka [1] DPPAD, 2013, Dasar Hukum, UU No.28 Tahun 2009 Pajak Daerah dan Retribusi Daerah, Diakses tanggal 20 juni [2] Erdianta, Pranawa, dan Sony Sunaryo, 2013, Perencanaan Alternatif Line Distribusi Perawatan Jaringan Listrik PT.PLN (Persero), Diakses tanggal 12 Juni [3] Hendrawan, Bambang, 2013, Penerapan Model ARIMA Dalam Memprediksi IHSG, Diakses tanggal 15 Juni [4] Hatidja, Djoni, 2011, Penerapan Model ARIMA untuk memprediksi harga saham PT.Telkom Tbk, Diakses tanggal 12 Juni [5] Kristanti, Diah, 2010, Penggunaan Model Peramalan Autoregressive Integrated Moving Average (ARIMA) untuk analisis Besar Cakupan Pelayanan Air (Studi Kasus : Perusahaan Daerah Air Minum (PDAM) Kota Surakarta), Skripsi, Universitas Kristen Satya Wacana, Jawa Tengah. [6] Purwaningsih, 2006, Penerapan Model Box-Jenkins untuk Peramalan dengan Runtun Waktu Bukan Musiman, Skripsi, Universitas Kristen Satya Wacana, Jawa Tengah. [7] Soepriyanto, M.Hari, 2005, Peramalan Penjualan Rokok dengan Pendekatan Analisis Runtun Waktu pada PT.Nikorama TOB.CO.cabang Jambi, Skripsi, Universitas Kristen Satya Wacana, Jawa Tengah. [8] Hendrawan, Bambang, 2013, Penerapan Model ARIMA Dalam Memprediksi IHSG, Diakses tanggal 15 Juni [9] Setiawan, Alexander, Adi Wibowo, dan Sutisno Wijaya, 2013, Aplikasi Peramalan Penjualan Kosmetik dengan Metode ARIMA, Diakses tanggal 16 Juni 2015.

24 [10] Melynda, 2012, Penetapan Strategi Pemasaran Berdasarkan Forecast Penjualan Produk Yoghurt di PT.Sukanda Djaya, Diakses tanggal 18 Juni 2015.