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