Page 6 - Working Paper (Metode dan Teknik Proyeksi Penerimaan Pajak: Panduan dan Aplikasi)

secara linier terhadap nilai terbaru dengan mempertimbangkan nilai sisaan (residual) yang tidak
terprediksi (Wooldridge, 2016).

Di sisi lain, Moving Average (MA) merupakan model yang mengukur keterkaitan yang bersifat linear
pada nilai sisaan (residual) saat ini dengan nilai sisaan masa lampau. Apabila digabungkan, model
ARMA merupakan model yang memiliki asumsi bahwa data periode sekarang dipengaruhi oleh data
periode sebelumnya dan nilai sisaan dari periode sebelumnya. Lebih lanjut lagi, model Autoregressive

Integrated Moving Average (ARIMA) merupakan model penyempurnaan dari ARMA yang dapat
mengatasi masalah ketidakstasioneran data dengan melakukan proses differencing. Pada model
campuran ini series stasioner merupakan fungsi linier dari nilai lampau beserta nilai sekarang dan
16
kesalahan lampaunya.
Berbeda dengan pendekatan univariate, pada pendekatan multivariate estimasi dilakukan dengan
menggunakan variabel lain. Misalkan, Vector Autoregression (VAR) merupakan model yang variabel-
variabelnya tidak hanya berkaitan dengan nilai lampaunya masing-masing, namun juga berkaitan
17
dengan nilai lampau variabel-variabel lain di dalam model tersebut. VAR merupakan model yang
cukup populer dikarenakan oleh kemiripan dengan model regresi linear pada umumnya dan
kemudahan mengaplikasikan modelnya di dalam data deret waktu. Selain itu, Bayesian VAR (BVAR)
merupakan model yang mengaplikasikan estimasi Bayesian kedalam VAR model, dengan
memperlakukan parameter sebagai random variabel dan menetapkan masing-masing prior
18
probabilitasnya.
Tabel 1 - Metode Estimasi Berbasis Data Makro
Pendekatan Pendekatan berbasis Pendekatan Pendekatan metode rata-rata
univariate PDB multivariate

Random walk, Tax buoyancy or VAR, Bayesian VAR, SMEAN, SMED, TRM12, GEO,
AR, MA, elasticity HAR, LSQ, MSE, RANKS
ARMA, ARIMA
Sumber : diolah oleh Penulis.

B.2.2. Proyeksi Penerimaan Pajak Berbasis Pendekatan Mikro

Metode estimasi berbasis pendekatan mikro dikenal pula sebagai mikrosimulasi. Mikrosimulasi untuk
ilmu sosial diperkenalkan untuk menguji atau memprediksi output dari permodelan suatu unit
apabila terjadi perubahan kebijakan pemerintah dan kondisi ekternal tertentu.

Unit yang dimodelkan merupakan unsur-unsur dari pembuatan keputusan di tingkat mikro atau non-
19
agregat, baik berupa individu, keluarga, perusahaan, serta unit dalam pemerintahan. Pada
perkembangannya, mikrosimulasi kemudian digunakan sebagai instrumen analisis dan penunjang
20
proses pembuatan keputusan yang dilakukan pemerintah.
Untuk konteks perpajakan sendiri, mikrosimulasi dapat dilakukan untuk mengestimasi penerimaan
21
pajak. Namun demikian, penyusunan model mikrosimulasi untuk mengestimasi penerimaan pajak

16 Nany Salwa, Nidya Tatsara, Ridha Amalia, dan Aja Fatimah Zohra, “Peramalan Harga Bitcoin Menggunakan
Metode ARIMA (Autoregressive Integrated Moving Average)”, Journal of Data Analysis, no. 1 (Juni 2008): 21-31.
17 Francis X. Diebold, Elements of Forecasting (Cincinnati: South-Western CENGAGE Learning, 2006), 228.
18 Sunne Karlsson, “Forecasting with Bayesian Vector Autoregressions” Handbook of Economic Forecasting, vol.2
(Agustus 2012), 2-9.
19 Guy H Orcutt, “A New Type of Socio-Economic System,” Review of Economics and Statistics Vol. 39 No. 2 (MIT
Press: 1957): 116-123.
20 François Bourguignon dan Amadéo Spadaro, “Microsimulation as A Tool for Evaluating Redistribution Policies,”
Paris-Jourdan Sciences Economiques Working Paper No. 2005 - 02 (2005): 2
21 Martin Grote, “Fiscal Policy: How to Establish a Tax Policy Unit,” IMF Fiscal Affairs Department How to Note Vol.
7 (Oktober 2017): 4 – 5.
4