Page 12 - Working Paper (Metode dan Teknik Proyeksi Penerimaan Pajak: Panduan dan Aplikasi)

Di mana:
�
TRt+1 : estimasi total penerimaan pajak pada tahun pajak + 1
TRt : realisasi total penerimaan pajak pada tahun pajak
: koefisien pengaruh atau bobot nilai penerimaan pajak tahun
Sebelum menggunakan model ini, perlu diuji dahulu apakah data dari variabel yang diproyeksikan
bersifat stationary atau tidak. Jika data tersebut bersifat stationary, maka dapat dikatakan nilai
variabel tersebut tidak bergantung pada waktu, atau tidak memiliki kecenderungan tertentu.
Sementara itu, model random walk lebih tepat jika nilai variabel tersebut merupakan fungsi dari
waktu. Dengan kata lain, nilai observasi yang bersifat random walk bersifat non-stationary. Oleh
karena penerimaan pajak memiliki tren tertentu, tidak memiliki nilai rata-rata yang tepat, dan bersifat
non-stationary, maka penggunaan model random walk dapat disarankan. Cara ini salah satunya
diterapkan oleh Streimikiene et al. (2018) dalam memproyeksikan penerimaan pajak negara
38
Pakistan. Namun demikian, model ini memiliki kelemahan, yaitu tidak mampu menjelaskan alasan
logis dari pergerakan observasi yang diproyeksi. Satu-satunya variabel yang dianggap menjelaskan
pergerakannya di masa mendatang adalah pergerakan pada waktu sebelumnya.
Dari pengujian dengan metode random walk, maka dapat diketahui hasil proyeksi penerimaan pajak
tahun 2019 sebagaimana dirangkum dalam tabel berikut.
Tabel 6 – Ringkasan Hasil Proyeksi Penerimaan Pajak dengan Metode Random Walk (Rp
triliun)
Model estimasi Proyeksi Penerimaan Pajak (Rp triliun)
2019

Random walk -DOD 1.418
Random walk 1.445
Sumber: Dikalkulasi Tim Penulis.
D.1.2. Model AR

Sama dengan halnya model random walk, model autogressive (AR) juga memprediksi nilai suatu
variabel di masa depan berdasarkan nilai pada waktu sebelumnya. Jika yang berpengaruh adalah satu
nilai dari waktu sebelumnya, maka model tersebut dapat disebut juga AR(1). Kemudian, jika dua nilai
sebelumnya dapat memberikan pengaruh terhadap nilai selanjutnya, maka spesifikasi modelnya
dapat disebut juga AR(2).

Dalam konteks proyeksi penerimaan pajak menggunakan model AR, maka diasumsikan bahwa
penerimaan pajak tahun depan dipengaruhi oleh nilai penerimaan pajak di tahun sebelumnya.
Pandangan ini dapat diterima dengan asumsi bahwa basis pajak yang telah diperoleh pada tahun lalu
secara garis besar akan kembali berkontribusi terhadap penerimaan pajak pada tahun berikutnya.

Model yang digunakan adalah AR sesuai dengan prosedur yang dilakukan oleh Adkins dan Hill yang
39
berupa:
= + −1 + −2 + (6)
2

1
Maka model proyeksinya untuk AR(1):
�
+1 = + + +1 (7)

38 Dalia Streimikiene, Rizwan R. Ahmed, Jolita Vveinhardt, Saghir P. Ghauri, dan Sarwar Zahid, “Forecasting Tax
Revenues Using Time Series Techniques – A Case of Pakistan”, Economic Research No. 1 (2018): 722-754.
39 Lee C. Adkins dan R. Carter Hill, Using Stata For Principles of Econometrics (New York: John Wiley & Sons Inc
Publication, 2011), 297.
10