Model Grey (1,1) dan Grey-Markov pada Peramalan Realisasi Penerimaan Negara

  • Atina Ahdika Universitas Islam Indonesia
Keywords: Grey (1,1), Grey-Markov, Penerimaan Negara, Peramalan

Abstract

Setiap Negara memerlukan sumber penerimaan untuk mewujudkan pembangunan nasional dan membiayai segala keperluannya. Di Indonesia, terdapat tiga sumber utama penerimaan Negara; penerimaan pajak, penerimaan bukan pajak, serta penerimaan hibah baik dari dalam maupun luar negeri. Untuk mengantisipasi berbagai keperluan serta mengoptimalkan penggunaan penerimaan Negara, maka perlu adanya proyeksi realisasi penerimaan Negara dari ketiga sumber tersebut. Proyeksi tersebut dapat dilakukan dengan menggunakan model deret waktu klasik baik model deterministik maupun model stokastik. Namun demikian, pada model deret waktu klasik terdapat beberapa asumsi yang harus dipenuhi seperti pola data atau jumlah minimal data. Sebagai alternatif, pada penelitian ini akan dilakukan peramalan dengan menggunakan model Grey (1,1) dan Grey-Markov; perpaduan antara model Grey dengan analisis Rantai Markov. Model ini memiliki keunggulan dibandingkan model deret waktu klasik, yaitu tidak perlu adanya asumsi mengenai pola data serta peramalan dapat dilakukan meskipun data yang dimiliki cukup kecil (minimal 4 data). Hasil analisis menunjukkan bahwa model Grey-Markov secara umum memberikan akurasi peramalan yang lebih baik dibandingkan dengan model Grey (1,1).

[Every state requires a source of revenue to realize its national development and fund its needs. In Indonesia, there are three main sources of state revenues; tax, non-tax, and grant revenues both from within and outside the country. To anticipate various purposes and optimize the use of state revenues, it is necessary to project the realization of the revenues from these three sources. The projection can be done using a classical time series model in both deterministic and stochastic models. However, in the classical time series model there are several assumptions that must be met such as data patterns or minimal amount of data. Alternatively, in this study the data will be forecasted using Grey (1,1) model and Grey-Markov model; a combination of the Grey model with Markov Chain analysis. This models have advantages over the classical time series models, ie no need for assumption about data pattern and forecasting can be done even though there are small size data (at least 4 data). The results of the analysis show that generally Grey-Markov model provides better forecasting accuracy compared with Grey (1,1) model.]

Author Biography

Atina Ahdika, Universitas Islam Indonesia

Program Studi Statistika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Islam Indonesia

Published
2018-04-30
Section
Articles