<![CDATA[Bea Balik Nama Kendaraan Bermotor (BBNKB) adalah pajak yang dikenakan atas perubahan kepemilikan kendaraan bermotor, baik melalui transaksi jual beli, hibah, warisan, maupun peralihan lainnya. Perubahan ekonomi makro, kebijakan fiskal, inflasi, serta dinamika sosial masyarakat menyebabkan ketidakpastian dalam proyeksi pendapatan dari BBNKB. Diperlukan peramalan yang mampu memberikan gambaran tren masa depan berdasarkan pola historis. Metode Neural Network AutoRegressive (NNAR) dapat digunakan untuk mengidentifikasi pola nonlinier dan musiman, serta tidak memerlukan asumsi statistik yang terlalu ketat. Penelitian ini menggunakan metode NNAR untuk melakukan peramalan terkait data Penerimaan BBNKB di Provinsi Kepulauan Bangka Belitung. Metode NNAR mempertimbangkan kombinasi lag non-musiman, lag musiman, dan neuron di hidden layer dalam interval tertentu. Model NNAR optimum diperoleh berdasarkan nilai RMSE (Root Mean Square Error) minimum sebesar 1.382.735.914 dengan model terbaik p (lag non-musiman) sebesar 3, P (lag musiman) sebesar 3, dengan Size (Neuron) sebesar 10. Model terbaik menunjukkan nilai MAPE (Mean Absolute Percentage Error) sebesar 2,28% yang menunjukkan bahwa model prediksi yang dperoleh memiliki akurasi yang sangat baik, berarti model NNAR yang digunakan akurat untuk melakukan peramalan Penerimaan BBNKB di Provinsi Bangka Belitung. Dengan model yang akurat dan akurasi peramalan yang sangat baik, sehingga dapat bermanfaat bagi berbagai pemangku kepentingan terkait penerimaan BBNKB di masa mendatang.Motor Vehicle Transfer Tax (BBNKB) was a tax imposed on changes in motor vehicle ownership, whether through sale and purchase transactions, grants, inheritance, or other transfers. Macroeconomic changes, fiscal policy, inflation, and social dynamics caused uncertainty in BBNKB revenue projections. Forecasting that can provide an overview of future trends based on historical patterns is needed. The Neural Network AutoRegressive (NNAR) method can be used to identify nonlinear and seasonal patterns, and does not require overly strict statistical assumptions. This study used the NNAR method to forecast BBNKB revenue data in the Bangka Belitung Islands Province. The NNAR method considered a combination of non-seasonal lags, seasonal lags, and neurons in the hidden layer within a certain interval. The optimal NNAR model was obtained based on a minimum RMSE (Root Mean Square Error) value of 1,382,735,914 with the best model p (non-seasonal lag) of 3, P (seasonal lag) of 3, and Size (Neuron) of 10. The best model showed a MAPE (Mean Absolute Percentage Error) value of 2.28%, which indicated that the prediction model obtained had excellent accuracy, meaning that the NNAR model used was accurate for forecasting BBNKB revenue in the Province of Bangka Belitung. With an accurate model and excellent forecasting accuracy, it was useful for various stakeholders related to BBNKB revenue in the future]]>
Copyrights © 2025
