BAB IPENDAHULUANA. Latar Belakang MasalahPendapatan daerah merupakan penerimaan dari pungutan pajak daerah, retribusi daerah, hasil dari perusahaan daerah, penerimaan dari dinas dinas dan penerimaan penerimaan lainya.Pajak merupakan aspek penting dalam proses pembangunan suatu negara khususnya di Indonesia, karena pembangunan bertujuan untuk mewujudkan serta meningkatkan kesejahteraan suatu bangsa. Dalam hal ini peranan pajak sebagai sumber pembbiayaan dalam pembangunan suatu negara, jadi dapat disimpulkan tanpa penerimaan pajak yang optimal maka proses pembangunan tidak akan berjalan dengan baik.Statistika adalah sekumpulan konsep dan metode yang digunakan untuk mengumpulkan dan menginterpretasi data kuantitatif tentang bidang kegiatan tertentu dan mengambil keputusan dalam situasi dimana ada ketidakpastian dan variasi. Statistika mempunyai peran yang sangat penting dalam kehidupan kita sehari hari dalam penelitian ilmiah maupun ilmu pengetahuan. Dengan statistika kita dapat menggunakan data historis untuk melakukan prediksi prediksi atau peramalan. Namun baik tidaknya keputusan dan rencana yang disusun sangat ditentukan oleh ketepatan ramalan yang dibuat. Meskipun demikian perlu disadari bahwa suatu prediksi adalah tetap prediksi, dimana selalu ada kesalahan atau error. Dengan demikian yang perlu diperhatikan adalah usaha untuk memperkecil kemungkinan kesalahan tersebut.Ada beberapa jenis metode peramalan yang digunakan dalam statistika, salah satunya adalah metode analisis runtun waktu dengan menggunakan metode Box Jenkins atau ARIMA (autoregressive integrated moving average). Metode ini telah dikembangkan lebih lanjut dan diterapkan untuk peramalan.Metode analisis runtun waktu model ARIMA dengan pendekatan Box Jenkins terdiridari beberapa tahap pendekatan, yaitu :1. Tahap identifikasi model, yang merupakan proses pemilihan model.2. Tahap estimasi parameter, yang merupakan proses penentuan nilai parameter parameter pada model yang dihasilkan.3. Tahap pengecekan diagnostik (diagnostic checking), yang merupakan proses untuk memeriksa ketepatan model yang dihasilkan serta memberikan petunjuk kearah perbaikan model. Setelah model yang sesuai teridentifikasi maka langkah selanjutnya adalah dilakukan peramalan.Metode peramalan box jenkins berbeda dengan hampir semua metode peramalan lainya. Metode ini menggunakan pendekatan iteratif dalam mengidentifikasi suatu model yang paling tepat dari semua kemungkinan model yang ada. Model yang telah dipilih diuji lagi dengan data historis untuk melihat apakah model tersebut menggambarkan keadaan data secara akurat atau tidak.Data pendapatan daerah merupakan data runtun waktu yang dapat diprediksi untuk beberapa periode ke depan. Salah satu sumber pendapatan terbesar suatu daerah berasal dari pajak dimana pajak tersebut berasal dari masyarakat yang nantinya akan dikembalikan kepada masyarakat dalam bentuk fasilitas, sarana dan prasarana yang menunjang. Dari sinilah penulis merasa perlu dilakukan analisis statistik mengenai pendapatan daerah, khususnya pendapatan pajak kendaraan bermotor di propinsi Nusa Tenggara Barat.Melihat latar belakang di atas, penulis bermaksud melakukan penelitian yaitu study literatur tentang metode peramalan. Adapun metode yang digunakan penulis untuk membahas proposal yang berjudul ANALISIS DATA PENDAPATAN PAJAK KENDARAAN BERMOTOR DI PROVINSI NUSA TENGGARA BARAT MENGGUNAKAN MODEL ARIMA (p,d,q) adalah dengan metode Box Jenkins. Studi literatur ini diharapkan dapat memberi sumbangan bagi perkembangan ilmu matematika khususnya statistika. B. Batasan MasalahMengingat banyaknya metode peramalan yang dapat digunakan, maka fokus penelitian ini adalah penyusunan langkah langkah sistematis analisis runtun waktu menggunakan model ARIMA (p,d,q) mulai dari identifikasi model, penaksiran (estimasi) dan pengujian (diagnostic checking), sampai pada penerapan model untuk memprediksi data pendapatan pajak kendaraan bermotor di propinsi Nusa Tenggara Barat. Adapun data yang digunakan adalah data bulanan dari bulan Januari 2007 sampai bulan Dasember 2012.C. Rumusan Masalah Berdasarkan latar belakang dan batasan masalah di atas maka dapat dirumuskan permasalahan sebagai berikut :1. Bagaimana prosedur analisis data runtun waktu (time series) menggunakan model ARIMA (p,d,q) ?2. Bagaimana bentuk model ARIMA (p,d,q) terbaik yang dapat digunakan untuk memprediksi pendapatan pajak kendaraan bermotor di provinsi Nusa Tenggara Barat pada periode yang akan datang ?3. Bagaimana penerapan metode peramalan dengan menggunakan model ARIMA (p,d,q) untuk memprediksi pendapatan pajak kendaraan bermotor di provinsi Nusa Tenggara Barat?D. Tujuan PenelitianBerdasarkan latar belakang dan rumusan masalah di atas maka tujuan penelitian ini adalah :1. Mengetahui prosedur analisis data runtun waktu (time series) menggunakan model ARIMA (p,d,q).2. Mendapatkan model ARIMA (p,d,q) terbaik yang dapat digunakan untuk memprediksi pendapatan pajak kendaraan bermotor di provinsi Nusa Tenggara Barat pada periode yang akan datang .3. Mengetahui penerapan metode peramalan dengan menggunakan model ARIMA (p,d,q) untuk memprediksi pendapatan pajak kendaraan bermotor di provinsi Nusa Tenggara Barat.E. Manfaat Penelitian Hasil penelitian ini diharapkan memiliki manfaat sebagai berikut :1. Bagi Pembacaa. Untuk menambah wawasan tentang aplikasi matematika khususnya statistika dalam kehidupan sehari hari.b. Mendapatkan gambaran mengenai analisis runtun waktu menggunakan model ARIMa (p,d,q).2. Bagi Badan Pengelolaan Keuangan Daeraha. Mengetahui salah satu penerapan matematis khususnya statistika dalam menganalisis data pendapatan daerah khususnya pajak kendaraan bermotor di provinsi Nusa Tenggara Barat.b. Memprediksi pendapatan pajak kendaraan bermotor di provinsi Nusa Tenggara Barat menggunakan model ARIMA (p,d,q) sehingga menjadi bahan masukan dalam mengambil keputusan kebijakan.

BAB IILANDASAN TEORIA. Pengertian PajakPajak didefinisikan sebagai iuran tidak mendapat jasa timbal (kontraprestasi) yang langsung dapat ditujukan dengan digunakan untuk membayar pengeluaran pengeluaran umum. Dari definisi tersebut dapat diuraikan beberapa unsur pajak, antara lain (Supramono, 2005):1. Pajak merupakan iuran dari rakyat kepada negara. Yang berhak memungut pajak adalah negara, baik melalui pemerintah pusat maupun pemerintah daerah. Iuran yang dibayarkan berupa uang bukan barang.2. Pajak dipungut berdasarkan undang undang. Sifat pemungutan pajak adalah dipaksakan berdasarkan kewenangan yang diatur oleh undang undang beserta aturan pelaksanaannya.3. Tidak ada kontaprestasi langsung oleh pemerintah dalam pembayaran pajak.4. Digunakan untuk membiayai pengeluaran negara.

B. Fungsi PajakFungsi pajak secara umum dikelompokkan menjadi dua, antara lain (Marsyahrul,2000):1. BudgeterSebagai alat (sumber) untuk memasukkan uang sebanyak banyaknya ke dalam kas negara dengan tujuan membiayai pengeluaran negara, yaitu pengeluaran rutin dan pembangunan.2. Regulerent Sebagai fungsi mengatur, sebagai alat untuk mencapai tujuan tujuan tertentu di luar bidang keuangan, misalnya bidang ekonomi, politik, budaya, pertahanan keamanan,seperti:a. Mengadakan perubahan perubahan tarif danb. Memberikan pengecualian pengecualian, keringanan keringanan atau sebaliknya, yang ditujukan pada masalah tertentu.C. Macam Macam PajakBerdasarkan lembaga pemungutnya pajak dibagi menjadi dua, yaitu (Supramono,2005):a. Pajak pusat(negara)Pajak yang dipungut oleh pemerintah pusat yang digunakan untuk membiayai pengeluaran negara. Contohnya, pajak penghasilan (PPH), pajak pertambahan nilai (PPN), pajak penjualanbarang mewah (PPBM), bea materai, pajak bumi dan bangunan (BBM), serta bea perolehan hak atas tanah dan bangunan (BPHTB).b. Pajak daerahPajak yang dipungut oleh pemerintah daerah dan digunakan untuk membiayai pengeluaran daerah. Pajak daerah diatur oleh PP No.18 tahun 1997 dan diubah dengan PP No.34 tahun 2000. Pajak daerah dibedakan menjadi dua, antara lain:1) Pajak provinsiContohnya, pajak kendaraan bermotor dan kendaraan di atas air, bea balik nama kendaraan bermotor dan kendaraan di atas air, pajak bahan bakar kendaraan bermotor, serta pajak pengambilan dan pemanfaatan air bawah tanah dan air permukaan.2) Pajak kabupaten/kotaContohnya, pajak hotel, pajak restoran, pajak hiburan, pajak reklame dan pajak penerangan jalan.

D. Pajak Kendaraan Bermotor (PKB)1. Pengertian Pajak Kendaraan Bermotor (PKB)a. Pajak Kendaraan Bermotor (PKB) yaitu pajak atas kepemilikan dan/atau penguasaan kendaraan bermotor.b. Kendaraan bermotor adalah semua kendaraan beroda dua atau lebih beserta gandengannya yang digunakan di semua jenis jalan darat, dan digerakkan oleh peralatan teknik berupa motor atau peralatan lainnya yang berfungsi untuk mengubah suatu sumber daya energi tertentu menjadi tenaga gerak kendaraan bermotor yang bersangkutan, termasuk alat-alat berat dan alat-alat besar yang bergerak.c. Objek Pajak Kendaraan Bermotor adalah kepemilikan dan/atau penguasaan kendaraan bermotor. Subjek Pajak Kendaraan Bermotor adalah orang pribadi atau badan yang memiliki dan/atau menguasai kendaraan bermotor.d. Wajib Pajak Kendaraan Bermotor adalah orang pribadi atau badan yang memiliki kendaraan bermotor.

2. Obyek dan SubyekObjek pajak adalah kepemilikan dan/atau penguasaan kendaraan bermotor termasuk kepemilikan dan/atau penguasaan kendaraan bermotor yang berada di daerah lebih dari 90 (sembilan puluh) hari berturut-turut.Subjek pajak adalah orang pribadi atau badan yang memiliki dan/atau menguasai kendaraan bermotor.

Dikecualikan dari objek pajak adalah kepemilikan dan/atau penguasaan kendaraan bermotor oleh (anonim,2013) :a. Pemerintah.b. Kedutaan, konsulat perwakilan negara asing dan perwakilan lembaga-lembaga internasional dengan azas timbal balik sebagaimana berlaku untuk pajak negara.c. Kepemilikan/penguasaan kendaraan bermotor yang berada di daerah kurang dari 90 (sembilan puluh) hari terhitung sejak tiba.d. Kepemilikan/penguasaan kendaraan bermotor yang semata-mata digunakan untuk melayani orang sakit, orang mati dan pemadam kebakaran tanpa dipungut pembayaran.3. Dasar pengenaan pajak dihitung sebagai perkalian dari dua unsur pokok:a. Nilai jual kendaraan bermotorb. Bobot yang mencerminkan secara relative kadar kerusakan jalan dan pencemaran lingkungan akibat penggunaan kendaraan bermotor.E. Konsep Dasar Deret WaktuDeret waktu merupakan serangkaian data pengamatan yang berasal dari satu sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan dan dengan interval waktu yang tetap . Setiap pengamatan dapat dinyatakan sebagai variabel random Zi , dengan fungsi kepekatan f(Zi) yang dapat dipasangkan dengan dengan indeks waktu ti yaitu Z1, Z2, Z3, ...... , Zn t1, t2, t3, ...... , tn adalah urutan waktu pengamatan, karena itu data deret waktu yang diamati pada waktu t1, t2, t3, ...... , tn dapat dituliskan dalam notasi Zt1, Zt2, Zt3, ...... , Ztn (Fathurahman, 2009 ).Peramalan (forecasting) merupakan salah satu unsur yang sangat penting dalam pengambilan suatu keputusan. Efektif atau tidaknya suatu keputusan tergantung dari beberapa faktor yang tidak dapat dilihat pada saat keputusan itu diambil. Peramalan (forcasting) adalah seni dan ilmu untuk memperkirakan kejadian masa yang akan datang dengan suatu bentuk matematis (Soejoeti, 1987).F. Jenis Pola Data Untuk memilih suatu metode peramalan yang tepat adalah dengan mempertimbangkan enis pola data sehingga metode yang paling tepat dengan terseut dapat diuji. Pola data dapat dibedakan menjadi (Makridakis dkk,2002):1. Pola Horizontal Terjadi bilamana nilai data berfluktuasi disekitar nilai rata rata yang konstan ( data stasioner ).

2. Pola MusimanTerjadi bilamana suatu deret dipengaruhi oleh faktor musiman ( misal kuartal tahun tertentu).

3. Pola SiklisTerjadi bila datanya dipengaruhi oleh fluktuasi ekonomi jangka panjang seperti yng berhubungan dengan siklus bisnis.

4. Pola TrendTerjadi bilamana terdapat kenaikan atau penurunan sekuler jangka panjang dalam data.

G. Kestasioneran Data Dalam Mean Dan VarianSuatu deret pengamatan dikatakan stasioner apabila proses tidak berubah seiring dengan adanya perubahan deret waktu. Jika suatu deret waktu Zt stasioner maka nilai tengah (mean), varian dan kovarian deret tersebut tidak dipengaruhi oleh berubahnya waktu pengamatan, sehingga proses berada dalam keseimbangan statistik (Soejoeti, 1987).Konsep stasioneritas ini dapat digambarkan secara praktis yaitu sebagai berikut (Makridakis dkk,2002):1. Apabila suatu deret berkala diplot kemudian tidak terbukti adanya perubahan nilai tengah dari waktu ke waktu maka dapat kita katakan deret data tersebut adalah stasioner pada nilai tengah (mean).2. Apabila plot deret data berkata tidak memperhatikan adanya perubahan variansi yang jelas dari waktu ke waktu maka dapat kita katakan deret data tersebut adalah stasioner pada variansinya.3. Apabila plot deret data berkala memperlihatkan nilai tengahnya menyimpang ( dengan beberapa plot trendcycle) dari waktu ke waktu maka dapat kita katakan deret data tersebut tidak stasioner pada nilai tengahnya.4. Apabila data deret berkala memperlihatkan nilai tengahnya menyimpang (berubah setiap waktu) dan variansi (atau standar deviasinya) tidak konstan setiap waktu maka dapat kita katakan deret data tersebut tidak stasioner pada nilai tengah dan variansinya.Apabila data deret waktu itu tidak stasioner, maka perlu dilakukan pengolahan data untuk merubah data yang non stasioner menadi data yang tasioner yaitu dengan melakukan pembedaan / transformasi. Rumus yang digunakan sebagai berikut dimana pembeda , nilai x pada orde ke t, nilai x pada orde t 1 . artinay notasi B yang dipasangkan dengan mempunyai pengaruh menggeser data 1 periode ke belakang (Murray ,1996).H. Model Analisis Runtun Waktu (Time Series)1. Model Autoregresif (AR)Secara umum untuk proses autoregresif (AR) orde ke p maka akan diperoleh bentuk sebagai berikut (Makridakis dkk,2002): ARIMA (p,0,0) atau AR (p) (2.1)Dimana = nilai konstan= parameter autoregresif ke p = nilai kesalahan pada saat t

2. Model Moving Average (MA)Secara umum untuk proses Moving Average (MA) orde ke q maka akan diperoleh bentuk sebagai berikut (Makridakis dkk,2002) :ARIMA (0,0,q) atau MA(q) (2.2)Dimana = nilai konstan = nilai kesalahan pada saat t k= parameter autoregresif ke j3. Model Campuran ARMA Jelas bahwa model umum ARIMA (p,d,q) melibatkan sejumlah besar jenis jenis model. Proses AR dan MA yang sederhana pun memperlihatkan sejumlah besar ragam. Jadi, sudah dapat diduga bahwa apabila dilakukan pencampuran, maka kerumitan proses identifikasi akan berlipat ganda. Pada bagian ini, sebuah model umum untuk campuran proses AR(1) murni dan proses MA(1) murni dapat ditulis sebagai berikut (Makridakis dkk,2002):ARIMA (1,0,1)

(2.3)Atau

(2.4)

AR(1) MA(1)4. Model Campuran ARIMAApabila non stasioneritas ditambahkan pada campuran ARMA, maka model umum ARIMA (p,d,q) terpenuhi. Persamaan untuk kasus yang paling sederhana, ARIMA (1,1,1) adalah sebagai berikut :

ARIMA (1,1,1)

Pembeda pertamaAR(1)MA(1) (2.5)

(2.6)Dalam bentuk ini model ARIMA terlihat seperti persamaan regresi biasa, kecuali bahwa terdapat lebih dari satu nilai kesalahan pada ruas ruas sebelah kanan persamaan. Model umum ARIMA (p,d,q) dengan p=q=2 dan katakan d=1 menghasilkan berbagai pola autokorelasi, parsial dan spektra yang luar biasa banyaknya, sehingga tidaklah bijaksana untuk menetapkan peraturan peraturan untuk mengidentifikasi model model umum ARIMA. Namun, model model yang lebih sederhana seperti AR(1), MA(1), AR(2) dan MA(2) benar benar memberikan beberapa tampilan identifikasi ang dapat membantu pembuat peramalan dalam menetapkan model ARIMA yang tepat (Makridakis dkk, 2002).5. Metode Box JenkinsModel model Autoregressive Integrated Moving Average (ARIMA) telah dipelajari secara mendalam oleh George Box dan Gwilyn Jenkins (1976), dan nama mereka sering disinonimkan dengan proses ARIMA yang diterapkan untuk analisis deret berkala. Box dan Jenkins (1976) secara efektif telah berhasil mencapai kesepakatan mengenai informasi relevan yang dipelukan untuk memahami dan memakai model model ARIMA untuk deret berkala.

Skema yang memperlihatkan pendekatan Box Jenkin

Penetapan model untuk sementaraRumusan kelompok model model yang umumPenaksiran parameter pada model sementaraPemeriksaan diagnosa (apakah model memadai?)Gunakan model untuk peramalanTahap I IdentifikasiTahap IIPenaksiran dan pengujianTahap IIIpenerapan

yatidak

Gambar 2.5 Skema pendekatan Box Jenkinsa. Identifikasi Model Hal pertama yang perlu di perhatikan adalah bahwa kebanyakan deret berkala bersifat non stasioner dan bahwa aspek aspek AR dan MA dari model ARIMA hanya berkenaan dengan deret berkala yang stasioner (Makridakis dkk, 2002).Langkah pertama, plot data runtun waktu dan pilih dan pilih transformasi yang sesuai dalam analisis runtun waktu. Setelah memplot data ,melalaui pengujian seksama terhadap plot, biasanya dapat mengetahui apakah data mengandung trend, musiman, pencilan,variansi yang tidak konstan dan fenomena ketidakstasioneran dan ketidaknormalan lainnya. Langkah kedua, yaitu menghitung dan menguji autokorelasi dan autokorelasi parsial sampel dari deret asli untuk mengetahi apakan diperlukan differencing(pembeda).Langkah ketiga, menghitung dan menguji autokorelasi dan autokorelasi parsial sampel data dari data yang telah ditransformasi atau didifferencing untuk mengientifikasi orde p dan q. Biasanya orde dari p dan q kurang dari atau sama dengan tiga.1) Fungsi AutokorelasiAutokorelasi adalah hubungan antara nilai suatu variabel dengan niali lampaunya, dapat denga tenggang (lag) satu atau lebih. Koefisien autokorelasi berkisar antara -1 dan +1, dimana 0 menunjukkan tidak ada korelasi (Mulyono, 1999).Koefisien korelasi sederhana antara Yt dengan Yt-1 dapat dicari mengguanakan rumus di bawah ini (Makridakis dkk,2002):

(2.7)

Karena rumus ini secara statistik akan menyulitkan, maka dibuat asumsi untuk menyederhanakannya. Data Yt diasumsikan stasioner (baik nilai tengah maupun ragamnya). Jadi, kedua nilai tengah dan dapat diasumsikan bernilai sama (dan kita dapat membuang subskrip dengan menggunakan ) dan dua nila ragam (atau deviasai standar) dapat diukur satu kali saja yaitu menggunakan seluruh data Yt yang diketahui.Dengan menggunakan asumsi asumsi penyederhanaan ini, maka persamaan (2.7) menjadi :

(2.8)Dengan cara yang sama, autokorelasi untuk time lag 1,2,3,4,...,k dapat dicari dan dinotasikan rk sebagai berikut (Makridakis dkk,2002) :

(2.9)2) Fungsi Autokorelasi Parsial Autokorelasi parsial adalah hubungan antara nilai suatu variabel dengan nilai yang lebih awal dari variabel itu, jika pengaruh nilai nilai diantara keduanya (lainnya) dihilangkan (Mulyono, 1999).Menghitung autokorelasi parsial antara Xt dan Xt+k dapat dilakukan sebagai berikut. Bangun model regresi linier dengan Xt+k sebagai variabel tidak bebas dan Xt+k-1,Xt+k-2,...,Xt sebagai variabel bebas (Mulyana, 2004).(2.10)b. Penaksiran Dan Pengujian Parameter1) Penaksiran parameterSetelah menetapkan identifikasi model sementara, selanjutnya parameter dari AR dan MA, musiman atau tidak musiman harus ditetapkan dengan cara yang baik. Jika menginginkan taksiran nilai yang terbaik untuk mencocokkan runtun waktu yang sedang dimodelkan makaada dua cara yang mendasar untuk mendapatkan parameter parameter tersebut yaitu pertama, dengan mencoba coba yaitu menguji beberapa nilai yang berbeda dan memilih salah satu nilai tersebut yang meminimumkan jumlah kuadrat nilai sisa (sum of squared residuals), kedua, perbaikan secara iteratif dengan memilih taksiran awal dan kemudian membiarkan program komputer memperhalus penaksiran tersebut secara iteratif.a) Penaksiran model Autoregresif (AR)Model umum AR(p) didefinisikan sebagai (2.1) :

Apabila kedua ruas dikalikan Xt-k dimana k = 1,2,3,...,p hasilnya adalah: (2.11) Dengan mengambil nilai ekspektasi pada persamaan (2.11) akan menghasilkan (2.12)Jika , dan maka persamaannya menjadi :

(2.13)Kemudian, bila kedua sisi persamaan (2.13) dapat dibagi dengan , persamaan menjadi (Makridakis dkk, 2002):

(2.14)

b) Penaksiran model Moving Average (MA)Model MA (q) ditulis sebagai berikut (2.2):

Dengan mengalikan kedua sisi pertama dengan Xt-k maka persamaan menjadi :

(2.15)Dengan memasukkan nilai harapan pada kedua sisi persamaan di atas akan menjadi: (2.16)Secara ringkas, autokorelasi teoritis untuk proses MA(q) dapat dinyatakan dalam bentuk koefisien koefisien MA, sebagai berikut (Makridakis dkk, 2002): (2.17)

c) Campuran proses ARMAModel ARMA (1,1) ditulis sebagai berikut (2.3): Bila kedua ruas dikalikan dengan Xt-k maka persamaan menjadi :

(2.18)Bila dimasukkan nilai harapan maka persamaan menjadi: (2.19)Untuk k=0 dan k=1 maka persamaan menjadi :

(2.20)Dari pembagian persamaan di atas diperoleh persamaan (Makridakis dkk, 2002):

(2.21)2) Pengujian parametera) Penaksiran diagnostikSetelah berhasil menaksir nilai nilai parameter dari model ARIMA yang ditetapkan sementara, selanjutnya perlu dilakukan pemeriksaan diagnostik untuk membuktikan bahwa model tersebut cukup memadai dan menentukan model mana yang terbaik digunakan untuk peramalan. Salah satu cara yang paling mendasar untuk melakukan pemeriksaan diagnostik yaitu dengan cara mempelajari nilai sisa atau residual Asumsi residual yang harus dipenuhi yaitu (Soejoeti,1987).:1) Tidak ada korelasi antara residual.2) Homoskedastisitas artinya variansi residual konstan.3) Normalitas artinya residual mengikuti distribusi normal.Suatu model dikatakan baik jika model memenuhi ketiga asumsi tersebut.b) Overfitting Dalam metode Box Jenkins langkah selanjutnya adalah pemeriksaan diagnostik adalah verifikasi, yakni memeriksa apakah model yang kita estimasi cukup cocok dengan data yang kita punyai. Apabila kita menjumpai penyimpangan yang cukup serius, kita harus merumuskan kembali model yang baru kemudian kita estimasi dan verifikasi. Seperti salah satu prosedur pemeriksaan diagnostik yang telah dikemukakan oleh Box Jenkins adalah overfitting yaitu menggunakan beberapa parameter lebih banyak daripada yang diperlukan atau memilih model AR(2) apabila AR(1) telah ditetapkan. Setelah dilakukan penambahan parameter dan jika menyebabkan sum square error bertambah besar, maka model yang digunakan adalah model semula (Makridakis dkk, 2002).

c. Penerapan (Peramalan)Untuk langkah yang terakhir dalam proses runtun waktu adalah peramalan runtun waktu untuk masa yang akan datang berdasarkan tingkat geraknya di masa lalu atau data sebelumnya (Makridakis dkk, 2002).

BAB IIIMETODE PENELITIAN

A. Jenis PenelitianJenis penelitian ini adalah metode kajian pustaka (studi literatur) yaitu teknik pengumpulan bahan dan data dalam penelitian dengan jalan membaca dan memahami suatu yang berasal dari buku yang berkaitan dengan penelitian.

B. Metode Pengumpulan dan Jenis DataTeknik yang digunakan dalam penelitian ini adalah mengumpulkan data dari instansi terkait dengan pajak provinsi, sehingga data yang didapat berupa data sekunder. Data sekunder adalah data yang diperoleh atau dikumpulkan oleh orang yang melakukan penelitian dari sumber-sumber yang telah ada. Data-data yang dibutuhkan berupa data yang berhubungan dengan data runtun waktu seperti data yang digunakan pada penelitian ini adalah data pajak kendaraan bermotor di Provinsi Nusa Tenggara Barat dari bulan januari tahun 2007 sampai desember tahun 2012.

C. Langkah - Langkah PenelitianAdapun langkah-langkah yang akan dilakukan dalam penelitian ini adalah sebagai berikut:1. PerencanaanPenelitian dimulai dengan melakukan berbagai persiapan seperti menperbanyak refrensi yang berhubungan dengan peramalan data runtun waktu dengan metode Box Jenkins serta menentukan software yang tepat untuk mempermudah dalam meganalisis data runtun waktu. Dalam hal ini software yang digunakan adalah Minitab 14 dan SPSS 16.0.

2. Pengumpulan dataMengumpulkan data berupa data runtun waktu yaitu data pajak kendaraan bermotor di Provinsi Nusa Tenggara Barat dari bulan januari tahun 2007 sampai desember tahun 2012.3. Metode analisis data Setelah data yang dibutuhkan terkumpul, maka langkah selanjutnya melakukan penyelesaian masalah. Analisis hasil penelitian ini dilakukan secara kuantitatif dengan tekhnik pendekatan statistik. Tekhnik statistik yang digunakan adalah peramalan model ARIMA (p,d,q) dengan metode Box Jenkins pada data pajak kendaraan bermotor di provinsi Nusa Tenggara Barat dimana data ini merupaka data runtun waktu. Proses pramalan ini dilakukan dengan bantuan software Minitab 14 dan SPSS 16.0Adapun langkah langkah dalam menganalisis data runtun waktu sampai pada proses peramalan:a. Tahap I (Identifikasi)Dimana pada tahap ini dilakukan pengidentifikasian terhadap model pada data runtun waktu, apakah data mengandung trend, musiman , pencilan, ketidakstasioneran dan ketidaknormalan lainnya. Lalu apabila data mengandung ketidk normalan tersebut maka data harus ditransformasi. Setelah itu dihitung dan diuji autokorelasi dan autokorelasi parsial dari data asli untuk mengetahui apakah diperlukan differencing kemudian diuji kembali autokorelasi dan autokorelasi parsial dari data yang sudah didifferencing untuk mengidentifikasi orde p dan q.b. Tahap II (penaksiran dan pengujian)Setelah menentukan identifikasi model sementara, selanjutnya menaksirkan parameter dari AR dan MA dengan cara menguji beberapa nilai yang berbeda dan memilih salah satu nialai yang meminimumkan kuadrat nilai sisa. Setelah berhasil menaksir niali nilai parameter dari model ARIMA yang diterapkan sementara, selanjutnya perlu dilakukan pemeriksaan diagnostik untuk membuktikan model tersebut sudah memadai dan bisa digunakan untuk peramalan.c. Tahap III (peramalan) Untuk langkah yang terakhir dalam proses analisis data adalah peramalan runtun waktu untuk masa yang akan datang berdasarkan model terbaik yang sudah diperoleh sebelumnya.

DAFTAR PUSTAKAAnonim, 2013, http://padyangantaxcenter.blogspot.com/2013/02/mengenai-pajak-kendaraan-bermotor-bea.html#.UcL17KxoLrM, 20 06 2013 , 09:26:10 pm.Faturrahman, M, 2009, Permodelan Fungsi Transfer Multi Input, Jurnal Informatika Mulawarman,4(2):8 17.Makridakis.S, Steven C. Wheelwright,Victor E. McGee, 2002, Metode dan Aplikasi Peramalan, alih bahasa Hari Suminto, edisi Revisi jilid 1, Erlangga, Jakarta.Marsyahrul, Tony, 2000, Pengantar Perpajakan, Grasindo, Solo.Mulyana, S,1999,Buku Ajar Analisis Data Deret Waktu, Jurusan Statistika FMIPA UNPAD, Bandung.Soejoeti, Zanzawi,1987, Materi Pokok Analisis Runtun Waktu, Karunika UT, Jakarta. Spiegel, Murray R. dkk,1996,Teori dan Soal Soal Statistika, Erlangga, Jakarta.Supramono, 2005, Perpajakan Indonesia Mekanisme dan Perhitungan, Penerbit Andi, Yogyakarta.26