ANALISIS PERKEMBANGAN TRANSAKSI

UANG ELEKTRONIK DI INDONESIA

TUGAS BESAR
Laporan ini sebagai salah satu syarat
untuk lulus dari mata kuliah
“MA2181 Analisis Data”

Disusun oleh:

Ari Ratna Gumilang (10118057)

Enrico Antonius (10118102)
Nunik Indah Wulandari (10118105)
M. Agam Islami A. M. (10818033)

Program Studi Matematika

Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Teknologi Bandung
2019

i|Tugas Besar MA2181 Analilis Data 2019

 DAFTAR ISI

Halaman Judul ..................................................................................................................... i

Daftar Isi .............................................................................................................................. ii

Daftar Grafik ....................................................................................................................... iii

Daftar Tabel......................................................................................................................... iv

Bab I PENDAHULUAN

1.1. Latar Belakang ................................................................................................. 1

1.2. Perumusan Masalah ......................................................................................... 1

1.3 Tujuan Penelitian ............................................................................................. 1

1.4 Manfaat Penelitian ........................................................................................... 1

1.5 Metode Penelitian ............................................................................................ 2

Bab II DATA DAN ANALISIS

2.1. Deskripsi Data ................................................................................................. 3

2.1.1. Statistika Deskriptif ............................................................................... 3

2.1.2. Statistika Inferensi ................................................................................. 4

2.1.2.1 Penaksiran Selang Kepercayaan untuk Rataan ........................ 4

2.2. Analisis ............................................................................................................ 4

2.2.1. Spesifikasi atau Identifikasi Model ....................................................... 4

2.2.2. Pencocokan (fitting) Model ................................................................... 6

2.3. Diagnosa Model ............................................................................................... 7

2.3.1. Uji Ljung-Box ........................................................................................ 7

2.3.2. Uji Kenormalan ...................................................................................... 8

2.4. Kegunaan Model .............................................................................................. 8

Bab III KESIMPULAN ....................................................................................................... 9

Daftar Pustaka ..................................................................................................................... 10

ii | T u g a s Besar MA2181 Analilis Data 2019

 DAFTAR GRAFIK

Grafik 2.1 Jumlah Transaksi Uang Elektronik di Indonesia ......................................... 3

Grafik 2.2 Jumlah Transaksi Uang Elektronik di Indonesia ......................................... 4

Grafik 2.3 Diferensiasi pertama Jumlah Transaksi Uang Elektronik di Indonesia ....... 5

Grafik 2.4 Diferensiasi kedua Jumlah Transaksi Uang Elektronik di Indonesia .......... 5

Grafik 2.5.a Plot ACF Data Diferensiasi Pertama ........................................................... 6

Grafik 2.5.b Plot PACF Data Diferensiasi Pertama ......................................................... 6

Grafik 2.6.a Plot ACF Data Diferensiasi Kedua .............................................................. 6

Grafik 2.6.b Plot PACF Data Diferensiasi Kedua ........................................................... 6

Grafik 2.7 Grafik predksi jumlah Transaksi dengan Uang Elektronik hingga
Desember 2020 ............................................................................................ 8

iii | T u g a s Besar MA2181 Analilis Data 2019

 DAFTAR TABEL

Tabel 2.1 Sari Numerik................................................................................................ 3

Tabel 2.2 Tabel Prediksi Jumlah Transaksi dengan Uang Elektronik dari
November 2019 hingga Desember 2020 ..................................................... 8

iv | T u g a s Besar MA2181 Analilis Data 2019

 BAB I

PENDAHULUAN

1.1 Latar Belakang

Transaksi adalah suatu persetujuan jual beli oleh dua pihak. Transaksi pada
umumnya melibatkan suatu alat yaitu uang. Uang berperan penting sebagai alat tukar
dalam transaksi jual beli. Transaksi ada banyak jenisnya, salah satunya adalah transaksi
elektronik. Transaksi elektronik memungkinkan dua pihak sebagai penjual dan pembeli
tidak saling bertemu satu sama lain. Sehingga dibutuhkan alat yang efektif yaitu uang
elektronik. Uang elektronik merupakan alat pembayaran nontunai yang disimpan secara
elektronik pada suatu server tertentu.

Indonesia saat ini sudah mulai menggunakan uang elektronik dalam kehidupan
sehari-hari. Penggunaan uang elektronik, terlebih dengan iming-iming diskon, akan
menarik masyarakat Indonesia untuk beralih menggunakan uang elektronik. Selain diskon,
terdapat beberapa alasan lain masyarakat Indonesia beralih ke uang elektronik,
diantaranya: simpel, praktis, mudah didapatkan, menghemat uang kembalian, cepat,
fleksibel, dsb.

Banyaknya transaksi menggunakan uang elektronik sudah tidak dapat disangkal lagi.
Perputaran uang menggunakan uang elektronik akan meningkat seiring waktu dan
mungkin suatu saat nanti akan menggantikan uang kertas.

1.2 Perumusan Masalah

Adapun rumusan masalah yang kami angkat dalam laporan ini, adalah :

1. Bagaimanakah pola perkembangan penggunaan uang elektronik di Indonesia pada

tahun 2009 sampai 2019?
2. Bagaimana model Time Series banyak penggunaan uang elektronik di Indonesia?
3. Berapa banyakkah penggunaan uang elektronik di masa mendatang?
1.3 Tujuan Penelitian

1. Menentukan pola perkembangan penggunaan uang elektronik di Indonesia pada

tahun 2009 sampai 2019.
2. Menentukan model Time Series banyak penggunaan uang elektronik di Indonesia.
3. Memprediksi penggunaan uang elektronik di masa mendatang.
1.4 Manfaat Penelitian

1
 1. Untuk para pegiat ekonomi, agar dapat mengetahui transaksi dengan uang elektronik
dan dapat mengetahui strategi-strategi ekonomi untuk kedepannya.
2. Untuk dosen KK Statistika, agar dapat membuka wawasan dan memberikan
pemahaman lebih dalam mengenai perputaran uang elektronik di Indonesia.
3. Untuk mahasiswa, agar dapat menjadi bahan referensi dalam mengerjakan baik tugas
maupun proyek kedepannya.
1.5 Metode Penelitian

Dalam penelitian ini akan digunakan metode analisis deret waktu. Deret waktu
merupakan suatu kumpulan data dimana satu data dipengaruhi oleh data sebelumnya.
Beberapa contoh data yang merupakan deret waktu adalah: Curah Hujan di Kota Bandung,
Populasi Orangutan di Pulau Kalimantan, dan Banyaknya Trombosit dalam Darah Pasien
Demam Berdarah. Studi yang berkaitan dengan deret waktu dinamakan analisis deret
waktu. Permasalahan dalam analisis deret waktu yaitu bagaimana menentukan model Yt
sehingga model tersebut dapat digunakan untuk memperkirakan data di masa yang akan
datang. Beberapa konsep dasar dalam deret waktu yaitu:

1. Kestationeran

Stationer merupakan kondisi dimana tiap data berdistribusi secara acak dengan
mean tertentu dan variansi konstan. Data dalam deret waktu haruslah stationer
dikarenakan untuk memperkecil kekeliruan dari model yang dibuat. Bila data tidak
stationer maka harus dilakukan transformasi stationeritas.

2. Fungsi Autokorelasi

Fungsi Autokorelasi, atau orang lebih mengenal dengan ACF, merupakan

korelasi antar data di dalam deret waktu tersebut yang dipisahkan dalam lag. Misal
bila lag data yaitu 4 maka nilai t akan dikorelasikan dengan t+4 sehingga data
pertama akan dikorelasikan dengan data kelima, data kedua akan dikorelasikan
dengan data keenam, dst. Perhitungan ACF memperhitungkan nilai-nilai diantaranya.

3. Fungsi Parsial Autokorelasi

Fungsi Parsial Autokorelasi, atau disebut juga PACF, merupakan perhitungan

korelasi antar data di deret waktu tanpa dipengaruhi nilai-nilai diantaranya.

2
 BAB II

DATA DAN ANALISIS

2.1 Deskripsi Data

Transaksi uang digital (e-money) di Indonesia terus menunjukkan peningkatan dari

tahun ke tahun. Jumlah penduduk yang besar serta meningkatnya literasi keuangan inklusif
masyarakat mendorong tumbuhnya transaksi uang elektronik di tanah air. Data Bank
Indonesia menunjukkan bahwa per Mei 2019, uang elektronik berkontribusi sebesar 14%
terhadap total nilai belanja APMK dan uang elektronik. Pada periode yang sama tahun lalu,
sumbangsinya masih kurang dari 7%. Jumlah
transaksi uang elektronik adalah banyak transaksi
dengan menggunakan uang elektronik, misal:
Gopay, OVO, DANA yang dilakukan di
Indonesia dalam rentang waktu perhitungan tiap
1 bulan. Pada 2009, jumlah uang elektronik baru
mencapai 492.818 unit. Namun, sampai akhir
Oktober 2019, jumlah uang elektronik telah
Grafik 2.1. Jumlah Transaksi Uang melonjak 1034 kali lipat menjadi 509.716.339
Elektronik di Indonesia unit. Data berasal dari website Bank Indonesia
dan data ini berupa kumpulan data pertahun.

2.1.1 Statistika Deskriptif

Tabel 2.1 Sari Numerik

Min Max Mean 1st Median 3rd Standard Varians

Quartile Quartile deviation

492818 509716339 75695659 3761953 14618156 61125894 124581076 1.552044e+16

Pada data banyaknya transaksi uang elektronik di Indonesia, didapat bahwa nilai
rerata, jangkauan, kuartil 1, median, dan kuartil 3 berturut-turut adalah 75.695.659
transaksi, 509.223.521 transaksi, 3.761.953 transaksi, 14.618.156 transaksi, dan
61.125.894 transaksi. Pada data kali ini kami menggunakan line chart untuk

3
 menyajikan data, seperti terlihat pada Grafik 2.1. Terdapat beberapa pertimbangan
mengapa kami memilih line chart yaitu sebagai berikut:

1. Box plot tidak dapat memperlihatkan nilai statistik data dan penyebaran data tiap
waktu, tetapi hanya memperlihatkan data yang berurutan.
2. Diagram batang daun dan dot plot tidak dipilih karena jangkauan data yang
terlalu besar.
3. Histogram tidak dapat memperlihatkan nilai statistik data tiap waktu, tetapi
hanya kumpulan dari beberapa range waktu (misal: 2009-2011, 2012-2014).
2.1.2 Statistika Inferensi

Untuk mencari nilai sesungguhnya dari parameter rataan, digunakan penaksiran

selang(interval estimation).

2.1.2.1 Penaksiran Selang Kepercayaan untuk Rataan

Karena variansi populasi tidak diketahui maka digunakan selang

kepercayaan :

dengan alpha = 5%, diperoleh selang kepercayaan :

54077344 < μ < 97313973

2.2 Analisis

Pada data kali ini, digunakan Analisis Deret Waktu dalam menganalisa data tersebut.

2.2.1 Spesifikasi atau Identifikasi Model

Pada plot data awal, secara visual terlihat

bahwa plot tersebut memiliki tren naik, sehingga
data tersebut bisa dikatakan tidak stasioner
secara visual. Selain diperhatikan secara visual,
pemeriksaan kestasioneran data dapat
menggunakan Augmented Dickey-Fuller Test
Grafik 2.2. Jumlah Transaksi Uang pada RStudio:
Elektronik di Indonesia

4
 diperoleh p-value yang lebih besar dari tingkat
keberartian (p- sebesar 0,99 > alpha = 0,5). Maka
Ho tidak ditolak artinya data awal jumlah
transaksi uang elektronik di Indonesia tidak
stasioner. Oleh karena itu, data harus
didiferensiasi sehingga data menjadi stasioner.
Grafik 2.3 Diferensiasi
pertama Jumlah Transaksi
Grafik pada grafik 2.3. merupakan grafik data yang sudah didiferensiasi. Secara eksplisit
Uang Elektronik di
dapat kita lihat bahwa plot di atas tidak memiliki tren naik maupun turun dan musiman, sehingga
Indonesia
data sudah stasioner. Untuk mengecek data sudah stasioner maka uji data yang didiferensiasi satu
kali dengan Augmented Dickey-Fuller Test.

Setelah diferensiasi satu kali, data sudah

stasioner. Hal ini dapat dilihat bahwa p-value
sebesar 0,01 lebih kecil dari tingkat
keberartian sebesar 0,05 yang menyebabkan
Ho ditolak sehingga data telah stasioner.

Pada plot di samping, secara visual

juga terlihat bahwa plot tersebut tidak
Grafik 2.4. Diferensiasi kedua
memiliki tren naik, tren turun maupun
Jumlah Transaksi Uang Elektronik
musiman, sehingga data tersebut bisa
di Indonesia
dikatakan telah stasioner secara visual. Hal ini juga didukung oleh Augmented
Dickey-Fuller Test pada RStudio:

sama halnya dengan data yang telah didiferensi satu kali, data didiferensi dua kali
juga menunjukkan bahwa data telah stasioner. Hal ini dapat dilihat juga bahwa p-

5
 value sebesar 0,01 lebih kecil dari tingkat keberartian sebesar 0,05 yang
menyebabkan Ho ditolak sehingga data telah stasioner.

(a) (b)

Grafik 2.5. (a) Plot ACF Data Diferensiasi Pertama

(b) Plot PACF Data Diferensiasi Pertama

2.2.2 Pencocokan (fitting) model

Pada plot ACF dan PACF di atas, data yang sudah didiferensiasi. Secara eksplisit
terlihat bahwa kedua data tidak memiliki pola sehingga model Time Series yang
digunakan ARIMA(1,1,0). Lalu, didapatkan bahwa AIC untuk data yang telah
didiferensiasi satu kali sebesar 4726,45.

Untuk menentukan model terbaik untuk data tersebut, digunakan auto.arima

pada RStudio, dengan hasil sebagai berikut :

Dengan menggunakan auto.arima didapat bahwa model Time Series adalah

ARIMA(4,2,3) dengan nilai AIC sebesar 4641,64, sehingga model manual
ARIMA(1,1,0) bukan model terbaik. Selanjutnya kita akan membandingkan model
manual ARIMA(4,2,3) dengan model auto ARIMA(4,2,3).

6
 (a) (b)

Grafik 2.6. (a) Plot ACF Data Diferensiasi Kedua

(b) Plot PACF Data Diferensiasi Kedua

Dari hasil diatas diperoleh nilai AIC ARIMA(4,2,3) lebih kecil dari AIC
ARIMA(1,1,0) sehingga model ARIMA(4,2,3) dapat menggambarkan data observasi
deret waktu lebih baik dari model ARIMA(1,1,0). Oleh karena itu, model deret waktu
data Jumlah Penggunaan Uang Elektronik sebagai berikut :

2.3. Diagnosa Model

2.3.1 Uji Ljung-Box

Uji Ljung-Box digunakan untuk menguji independensi residual antar lag pada
ARIMA(p,d,q). Dengan H0 dan H1 berturut-turut adalah tidak ada korelasi residual
antar lag dan terdapat paling sedikit ada 1 pasang lag yang memiliki korelasi,
didapatkan hasil

dengan asumsi yang digunakan adalah alpha sebesar 5%, maka p-value > alpha, maka
tidak cukup bukti untuk menolak H0. Sehingga, dapat disimpulkan bahwa tidak
cukup bukti untuk menolak pernyataan bahwa terdapat paling sedikit ada 1 pasang
lag yang memiliki korelasi (alpha = 5%). Maka, pada alpha = 5%, dapat dikatakan
tidak ada korelasi residual antar lag.
7
2.3.2 Uji Kenormalan

Uji Kenormalan yang digunakan adalah Shapiro Test. Dengan H0 dan H1

berturut-turut adalah residual berdistribusi normal dan residual tidak berdistribusi
normal, didapatkan hasil

dengan asumsi yang digunakan adalah alpha sebesar 5%, maka p-value < alpha,maka
H0 ditolak. Sehingga, dapat disimpulkan bahwa Residual tidak berdistribusi normal
(alpha = 5%).

2.4 Kegunaan Model

Model yang diperoleh dari bagian 2.2 dapat digunakan untuk memprediksi nilai
diluar selang pengamatan, yaitu nilai di masa depan (belum terjadi). Hal ini sering disebut
dengan istilah Forecasting. Akan diprediksi jumlah transaksi hingga Desember 2020.
Diperoleh hasilnya dalam penyajian tabel dan grafik sebagai berikut:

Tabel 2.2. Tabel prediksi Jumlah Grafik 2.7. Grafik prediksi Jumlah
Transaksi dengan Uang Elektronik
Transaksi dengan Uang
hingga Desember 2020
Elektronik dari November 2019
Dari hasil prediksi tersebut diperoleh bahwa pada Desember 2020, jumlah transaksi uang
hingga Desember 2020
elektronik meningkat sebanyak 51,73% dari Oktober 2019.

8
 BAB III

KESIMPULAN

Kesimpulan dari perhitungan yang telah kami lakukan adalah sebagai berikut:

3.1 Pola perkembangan Banyaknya Transaksi Uang Elektronik pada tahun 2009 hingga 2014
sedikit monoton naik. Lalu terjadi peningkatan pada tahun 2015. Peningkatan terus terjadi
dan terdapat lonjakan peningkatan pada tahun 2018.

3.2 Model Time Series yang sesuai adalah ARIMA(4,2,3) dengan persamaan

3.3 Penggunaan uang elektronik di Indonesia pada masa mendatang akan terus meningkat
hingga 800 juta transaksi pada satu tahun mendatang.

9
 DAFTAR PUSTAKA

“_____”. 2017. Definisi Uang Elektronik. nontunai. Diakses tanggal 7 Desember 2019 pukul
12.34 melalui ttps://www.nontunai.com/kenali/instrumen-nontunai/definisi-uang-
elektronik/.
“_____”. 2019. Statistik Sistem Pembayaran. Bank Indonesia. Diakses tanggal 5 Desember 2019
pukul 13.03 melalui https://www.bi.go.id/id/statistik/sistem-pembayaran/uang-
elektronik/contents/transaksi.aspx.
Box, G. E. P. dan G. M Jenkins. 1976. Time Series Analysis: Forecasting & Control. San
Fransisco: Holden-Day Inc.
Cryer, J. D. dan K. S. Chan. 2008. Time Series Analysis with Applications in R. New York:
Springer.

10