• Tidak ada hasil yang ditemukan

HASIL PENGUJIAN MODEL ARIMA

Dalam dokumen NOTA DINAS NOMOR ND-686/WPB.30/2020 (Halaman 43-51)

LAMPIRAN I – PROGNOSIS APBN

A. Prognosis APBN-Pendapatan

5. HASIL PENGUJIAN MODEL ARIMA

Model Parameter P-value Signifikansi Model Parameter P-value Signifikansi

ARIMA (2,1,5) AR 1 0.927tidak ARIMA (2,1,1) AR 1 0.000ya

AR 2 0.995tidak AR 2 0.012tidak

MA 1 0.979tidak MA 1 0.000ya

MA 2 0.258tidak Constant 0.571tidak

MA 3 0.942tidak ARIMA (2,1,0) AR 1 0.000ya

MA 4 0.972tidak AR 2 0.000ya

MA 5 0.980tidak Constant 0.412tidak

Constant 0.000ya ARIMA (1,1,5) AR 1 0.880tidak

ARIMA (2,1,4) AR 1 0.056tidak MA 1 0.816tidak

AR 2 0.000ya MA 2 0.722tidak

MA 1 0.184tidak MA 3 0.847tidak

MA 2 0.040ya MA 4 0.971tidak

MA 3 0.000ya MA 5 0.707tidak

MA 4 0.068tidak Constant 0.000ya

Constant 0.000ya ARIMA (1,1,4) AR 1 0.913tidak

ARIMA (2,1,3) AR 1 0.615tidak MA 1 0.723tidak

AR 2 0.503tidak MA 2 0.709tidak

MA 1 0.738tidak MA 3 0.887tidak

MA 2 0.363tidak MA 4 0.934tidak

MA 3 0.729tidak Constant 0.000ya

Constant 0.000ya ARIMA (1,1,3) AR 1 0.748tidak

ARIMA (2,1,2) AR 1 0.521tidak MA 1 0.361tidak

AR 2 0.675tidak MA 2 0.294tidak

MA 1 0.314tidak MA 3 0.638tidak

MA 2 0.276tidak Constant 0.000ya

3

6. Dari hasil pengujian model ARIMA, yang memberikan hasil Signifikan pada tingkat confident 95% dengan nilai kesalahan (MS) terkecil adalah Model ARIMA (0,1,2). Dengan demikian, forecasting yang akan dilakukan adalah dengan menggunakan Model ARIMA (0,1,2).

7. Hasil forecasting Perpajakan 12 bulan ke depannya adalah sebagai berikut:

Dari hasil forecast menggunakan ARIMA (0,1,2) dihasilkan proyeksi Pendapatan periode Jan – Desember sebesar Rp5.424,62 miliar. Namun proyeksi tersebut menggunakan dasar realisasi pendapatan dengan kondisi normal, sedangkan Kmeneterian Keuangan memprediksi penerimaan akan turun sebesar 10%. Dengan demikian, proyeksi pendapatan dengan ditambah asumsi Kemenkeu menjadi Rp4.882,16 miliar.

Model Parameter P-value Signifikansi Model Parameter P-value Signifikansi

ARIMA (1,1,2) AR 1 0.440tidak ARIMA (0,1,4) MA 1 0.000ya

MA 1 0.057tidak MA 2 0.003ya

MA 2 0.071tidak MA 3 0.379tidak

Constant 0.001ya MA 4 0.838tidak

ARIMA (1,1,1) AR 1 0.115tidak Constant 0.002ya

MA 1 0.000ya ARIMA (0,1,3) MA 1 0.000ya

Constant 0.000ya MA 2 0.002ya

ARIMA (1,1,0) AR 1 0.004ya MA 3 0.247tidak

Constant 0.565tidak Constant 0.000ya

ARIMA (0,1,5) MA 1 0.000ya ARIMA (0,1,2) MA 1 0.000ya MA 2 0.008ya MS: 10687 MA 2 0.000ya MA 3 0.197tidak Constant 0.000ya MA 4 0.970tidak ARIMA (0,1,1) MA 1 0,000ya MA 5 0.700tidak MS: 11287 Constant 0,000ya Constant 0.000ya

4 B. Prognosis APBN-Belanja Pegawai

Proyeksi Belanja Pegawai dilakukan dengan menggunakan metode ARIMA (Autoregressive Integrated Moving

Average) atau disebut juga metode analisis runtun waktu

Box-Jenkins yang cocok untuk forecasting/peramalan jangka pendek. Data yang dipakai adalah data persentase realisasi Belanja Modal (51xxxx) bulanan periode 2013-2019. Sehingga periode (n) yand dipakai berjumlah 84 bulan (n=84) untuk memprediksi belanja 12 bulan ke depan (2020) yang bersumber dari monevPA. Software pengolah data yang digunakan adalah Minitab 18.1.

1. Dari Uji stasioneritas, data menunjukkan non-stasioneritas terhadap varian yang dibuktikan dengan λ = -2 sehingga perlu dilakukan transformasi data agar λ = 1 (stasioner) dengan menu Box-Cox Transformation.

2. Untuk memastikan bahwa data Trans1 telah stasioner terhadap rata-rata, digunakan menu Autocorrelation (ACF). Jika tidak terdapat lag pertama lebih darti tiga, maka data Trans1 telah stasioner terhadap rata-rata. Dari hasil pengujian, tidak terdapat lag pertama yang keluar dari

confident interval lebih dari tiga. Artinya data Trans1 telah

stasioner terhadap rata-rata sehingga tidak perlu dilakukan

differencing (d=0). Jumlah lag pada ACF sebanyak dua (p=2)

3. Selanjutnya dilihat Partial Autocorrelation (PACF) dan dihasilkan lag sebanyak dua (q = 2).

5

4. Dari pengujian diatas, dihasilkan kombinasi p : 2 , d : 0 , dan q : 2. Sehingga model tentatif ARIMA yang akan diuji adalah ARIMA (2,0,2), ARIMA (2,0,1), ARIMA (2,0,0), ARIMA (1,0,2), ARIMA (1,0,1), ARIMA (1,0,0), ARIMA (0,0,2), dan ARIMA (0,0,1).

5. HASIL PENGUJIAN MODEL ARIMA

ARIMA (2,0,2) – Tidak Sig ARIMA (2,0,1) –Tidak Sig ARIMA (2,0,0) –Tidak Sig

ARIMA (1,0,2) –Tidak Sig ARIMA (1,0,1) –Sig ARIMA (1,0,0) –Tidak Sig

ARIMA (0,0,2) –Tidak Sig ARIMA (0,0,1) –Tidak Sig

6. Dari hasil pengujian model ARIMA, yang memberikan hasil Signifikan pada tingkat confident 95% dengan nilai kesalahan (MS) terkecil adalah Model ARIMA (1,0,1). Dengan demikian, forecasting yang akan dilakukan adalah dengan menggunakan Model ARIMA (1,0,1).

7. Hasil forecasting Belanja Pegawai 12 bulan ke depannya adalah sebagai berikut:

Dari hasil forecast menggunakan ARIMA (1,0,1) dihasilkan proyeksi Belanja Pegawai periode Januari –Desember sebesar 93,29% dari pagu.

6 C. Prognosis APBN-Belanja Barang

Proyeksi Belanja Barang dilakukan dengan menggunakan metode ARIMA (Autoregressive

Integrated Moving Average) atau disebut juga

metode analisis runtun waktu Box-Jenkins yang cocok untuk forecasting/peramalan jangka pendek. Data yang dipakai adalah data persentase realisasi Belanja Barang (52xxxx) bulanan periode 2013-2019 (n=84 bulan) untuk memprediksi belanja Barang 12 bulan ke depan (2020) bersumber dari monevPA. Software pengolah data yang digunakan adalah Minitab 18.1.

1. Dari Uji stasioneritas, data menunjukkan non-stasioneritas yang dibuktikan dengan λ = -2 sehingga perlu dilakukan transformasi data agar λ = 1 (stasioner) dengan menu Box-Cox Transformation.

2. Untuk memastikan bahwa data Trans1 telah

stasioner terhadap rata-rata, digunakan menu

Autocorrelation (ACF). Jika tidak terdapat lag

pertama lebih darti tiga, maka data Trans1 telah stasioner terhadap rata-rata. Dari hasil pengujian, tidak terdapat lag pertama yang keluar dari confident interval lebih dari tiga. Artinya data Trans1 telah stasioner terhadap rata-rata sehingga tidak perlu dilakukan

differencing (d=0). Jumlah lag pada ACF

7 3. Selanjutnya dilihat Partial Autocorrelation (PACF)

dan dihasilkan lag sebanyak 1 (q = 1).

4. Dari pengujian diatas, dihasilkan kombinasi p : 1 , d : 0 , dan q : 1. Sehingga model tentatif ARIMA yang akan diuji adalah ARIMA (1,0,1), ARIMA (1,0,0), dan ARIMA (0,0,1).

5. HASIL PENGUJIAN MODEL ARIMA

ARIMA (1,0,1) –Sig ARIMA (1,0,0) –Tidak Sig ARIMA (0,0,1) –Tidak Sig

6. Dari hasil pengujian model ARIMA, yang memberikan hasil Signifikan pada tingkat confident 95% dengan nilai kesalahan (MS) terkecil adalah Model ARIMA (1,0,1). Dengan demikian, forecasting yang akan dilakukan adalah dengan menggunakan Model ARIMA (1,0,1).

7. Hasil forecasting Belanja Barang 12 bulan ke depan adalah sebagai berikut:

Dari hasil forecast menggunakan ARIMA (1,0,1) dihasilkan proyeksi Belanja Barang 2020 sebesar 81,2% dari pagu.

8 D. Prognosis APBN-Belanja Modal

Proyeksi Belanja Modal dilakukan dengan menggunakan metode ARIMA (Autoregressive

Integrated Moving Average) atau disebut juga

metode analisis runtun waktu Box-Jenkins yang cocok untuk forecasting/peramalan jangka pendek. Data yang dipakai adalah data persentase realisasi Belanja Modal (53xxxx) bulanan periode 2013-2019 mulai bulan april karena periode triwulan pertama realisasi belanja modal relatif kecil. Sehingga periode (n) yand dipakai berjumlah 63 bulan (n=63) untuk memprediksi belanja Modal 9 bulan ke depan

(April-Desember), yang bersumber dari monevPA. Software pengolah data yang digunakan adalah Minitab 18.1. 1. Dari Uji stasioneritas, data menunjukkan non-stasioneritas terhadap varian yang dibuktikan dengan λ

= -0,5 sehingga perlu dilakukan transformasi data agar λ = 1 (stasioner) dengan menu Box-Cox Transformation.

2. Untuk memastikan bahwa data Trans-Modal telah stasioner terhadap rata-rata, digunakan menu Autocorrelation (ACF). Jika tidak terdapat lag pertama lebih darti tiga, maka data Trans1 telah stasioner terhadap rata-rata. Dari hasil pengujian, tidak terdapat lag pertama yang keluar dari confident interval lebih dari tiga. Artinya data Trans1 telah stasioner terhadap rata-rata sehingga tidak perlu dilakukan differencing (d=0). Jumlah lag pada ACF sebanyak dua (p=2)

9 3. Selanjutnya dilihat Partial Autocorrelation (PACF) dan

dihasilkan lag sebanyak dua (q = 2).

4. Dari pengujian diatas, dihasilkan kombinasi p : 2 , d : 0 , dan q : 2. Sehingga model tentatif ARIMA yang akan diuji adalah ARIMA (2,0,2), ARIMA (2,0,1), ARIMA (2,0,0), ARIMA (1,0,2), ARIMA (1,0,1), ARIMA (1,0,0), ARIMA (0,0,2), dan ARIMA (0,0,1).

5. HASIL PENGUJIAN MODEL ARIMA

ARIMA (2,0,2) – Tidak Sig ARIMA (2,0,1) –Tidak Sig ARIMA (2,0,0) –Tidak Sig

ARIMA (1,0,2) –Tidak Sig ARIMA (1,0,1) –Sig ARIMA (1,0,0) –Tidak Sig

ARIMA (0,0,2) –Sig ARIMA (0,0,1) –Tidak Sig

6. Dari hasil pengujian model ARIMA, yang memberikan hasil Signifikan pada tingkat confident 95% dengan nilai kesalahan (MS) terkecil adalah Model ARIMA (1,0,1). Dengan demikian, forecasting yang akan dilakukan adalah dengan menggunakan Model ARIMA (1,0,1).

10

7. Hasil forecasting Belanja Modal 9 bulan ke depannya (periode April-Desember) adalah sebagai berikut:

Dari hasil forecast menggunakan ARIMA (1,0,1) dihasilkan proyeksi Belanja Modal enam bulan ke depan (64-72) sebesar 84,19% dari pagu.

E. Prognosis APBN-Transfer Ke Daerah dan Dana Desa

Dalam dokumen NOTA DINAS NOMOR ND-686/WPB.30/2020 (Halaman 43-51)

Dokumen terkait