ANALISIS PROYEKSI PENERIMAAN PNBP BLU LAYANAN UTAMA PADA SATKER PE MENGGUNAKAN METODE TIME SERIES

M. Awaluddin Alafghani; Rifka Sofianita; Hendry Guntur Kusumanegara

Authors

M. Awaluddin Alafghani Pusat Pengembangan SDM Ketenagalistrikan dan EBTKE
Rifka Sofianita Pusat Pengembangan SDM Ketenagalistrikan dan EBTKE
Hendry Guntur Kusumanegara Pusat Pengembangan SDM Ketenagalistrikan dan EBTKE

Keywords:

Penerimaan, Prediksi, Time Series

Abstract

Target penerimaan PNBP BLU harus ditetapkan setiap tahunnya yang tertuang dalam dokumen rencana bisnis dan anggaran. Nilai target yang baik merupakan nilai yang mencerminkan kemampuan organisasi dalam mencapainya. Penentuan target tersebut harus dilakukan dengan analisa yang mendalam yang memperhatikan faktor kemampuan internal dan pasar yang ada. Dalam penelitian ini digunakan beberapa metode time series untuk mendapatkan beberapa proyeksi penerimaan. Hasil-hasil prediksi tersebut dibandingkan dengan nilai realisasi dan dipilih hasil prediksi dengan nilai persentase kesalahan terkecil. Hasil proyeksi tersebut diharapkan dapat digunakan sebagai acuan organisasi dalam strategi pencapaian target kinerja dalam hal penerimaan PNBP BLU.

References

Undang-Undang No 1 Tentang Perbendaharaan Negara. Indonesia, 2004.

P. E, “Rencana Bisinis dan Anggaran TA 2024.” .

P. E, “Laporan Kinerja PE TA. 2023.” 2024.

P. E, “Rencana Strategi Bisnis PE TA 2023 - 2027.” 2023.

M. Pleños, “Time Series Forecasting Using Holt-Winters Exponential Smoothing: Application to Abaca Fiber Data,” Zesz. Nauk. SGGW w Warszawie - Probl. Rol. Światowego, vol. 22, no. 2, pp. 17–29, 2022, doi: 10.22630/prs.2022.22.2.6.

D. C. P. Gujarati, Damodar N., Basic Econometrics. 2013.

S. Hansun, “A new approach of moving average method in time series analysis,” 2013 Int. Conf. New Media Stud. CoNMedia 2013, 2013, doi: 10.1109/conmedia.2013.6708545.

N. Nurhamidah, N. Nusyirwan, and A. Faisol, “Forecasting Seasonal Time Series Data Using the Holt-Winters Exponential Smoothing Method of Additive Models,” J. Mat. Integr., vol. 16, no. 2, p. 151, 2020, doi: 10.24198/jmi.v16.n2.29293.151-157.

N. Mbuli, M. Mathonsi, M. Seitshiro, and J. H. C. Pretorius, “Decomposition forecasting methods: A review of applications in power systems,” Energy Reports, vol. 6, no. 2020, pp. 298–306, 2020, doi: 10.1016/j.egyr.2020.11.238.

J. J. Pignatiello and G. C. Runger, “ Comparisons of Multivariate CUSUM Charts ,” J. Qual. Technol., vol. 22, no. 3, pp. 173–186, 1990, doi: 10.1080/00224065.1990.11979237.

J. G. Richardson and F. D. Newbury, “Business Forecasting: Principles and Practice,” South. Econ. J., vol. 19, no. 4, p. 531, 1953, doi: 10.2307/1054108.

J. Brownlee, Introduction to Time Series Forecasting with Python - How to Prepare Data and Develop Models to Predict the Future, vol. 11, no. 1. 2019.