INFERENSI , Vol. xx(x), Xxx. 20xx.

ISSN: 0216-308X

Peramalan Kebutuhan Uang Kartal

Bank ABC dengan Pemodelan
Moving Average
Raditya Andre Nurwitantyo1*,Robby Yudha Saputra2
1
Magister Manajemen Teknologi: Institut Teknologi Sepuluh Nopember Surabaya
e-mail:
2
andre.raditya22@gmail.com
Magister Manajemen Teknologi: Institut Teknologi Sepuluh Nopember Surabaya
e-mail: robbyyudha2@gmail.com

ABSTRACT ⎯ To Ensure the availability of cash and public transactions, it is necessary to forecast demand for cash. The purpose of this
research is to predict the demand for cash at Bank ABC so it can mitigate the risk of reputational and operational risk due to the absence or
lack of cash availability. The method used is the Single Moving Average method. The best model to predict the demand for cash is the Moving
Average-4 with the smallest forecasting accuracy values (MAPE, MAD, MSD) 5,42694E+02 ; 2,83731E+07, 1,08734E+15.

Keywords⎯ Forecasting, Cash, Single Moving Average

ABSTRAK ⎯ Dalam Rangka menjamin ketersedian uang kartal dan untuk menjaga kelancaran transaksi masyarakat dan
kebutuhan, perlu dilakukan adanya peramalan terkait kebutuhan uang kartal tersebut. Tujuan dari penelitian ini adalah untuk
meramalkan kebutuhan uang kartal pada Bank ABC sehingga dapat memitigasi risiko terjadinya risiko reputasi dan operasional
akibat tidak atau kurangnya ketersediaan uang kartal. Metode yang digunakan adalah Metode Single Moving Average. Model
terbaik yang didapatkan untuk meramalkan kebutuhan uang kartal pada Bank ABC adalah Moving Average-4 dengan nilai akurasi
peramalan (MAPE, MAD, MSD) terkecil sebesar masing-masing 5,42694E+02 ; 2,83731E+07, 1,08734E+15.
Keywords⎯ : Peramalan, Uang Kartal, Single Moving Average

I. INTRODUCTION
Uang adalah alat pembayaran yang sah yang diterbitkan oleh pemerintah (bank sentral), baik berbentuk kertas
maupun logam yang memiliki nilai seperti pada kertas atau logam. Uang dapat digunakan untuk membeli barang atau
jasa. Di Indonesia, uang dikeluarkan oleh Bank Indonesia sebagai bank sentral. Secara umum, jenis-jenis uang dibedakan
menjadi dua, yaitu uang kartal dan uang giral. Uang kartal adalah uang kertas dan logam yang beredar di masyarakat
yang dikeluarkan dan diedarkan oleh bank, sedangkan uang giral adalah pembayaran yang sah berupa surat-surat
berharga.
Uang Kartal merupakan uang rupiah yang dikeluarkan oleh Bank Indonesia. Uang kartal saat ini digunakan
sebagai alat pembayaran yang sah dalam kegiatan transaksi jual-beli sehari-hari. Terdapat dua jenis uang kartal yaitu
jenis uang yang berbentuk kertas dan yang berbentuk logam yang telah ditetapkan oleh Pemerintah melalui Undang-
Undang dan berfungsi sebagai alat pembayaran yang sah. Uang kertas adalah uang yang terbuat dari bahan kertas khusus
di mana di dalamnya tertera gambar dan cap khusus dan digunakan sebagai alat pembayaran yang sah. Uang logam
adalah uang yang terbuat dari bahan emas atau perak yang dibentuk sedemikian rupa.
Bank ABC merupakan salah satu bank nasional yang ada di Indonesia yang bertugas untuk mengedarkan uang
kartal kepada masyarakat baik saat bertransaksi melalui Teller ataupun melakukan penarikan uang tunai melalui mesin
ATM.
Dalam rangka menjamin ketersediaan uang kartal untuk menjaga kelancaran transaksi masyarakat dan
kebutuhan masyarakat atas uang kartal tersebut, maka Bank ABC perlu untuk Menyusun perencanaan kebutuhan dengan
pengadaan uang kartal, terutama Ketika lonjakan permintaan uang kartal cenderung tinggi. Peningkatan kebutuhan uang
kartal biasanya terjadi selama periode hari raya keagamaan seperti Idul Fitri, Natal, dan Imlek. Selain hal tersebut,
kebutuhan uang kartal juga cenderung tinggi pada akhir tahun, masa libur sekolah dan ajaran baru, serta jika terjadi libur
panjang atau long weekend. Atas hal tersebut maka diperlukan peramalan terhadap ketersedian dan kebutuhan uang
kartal pada Bank ABC.
Peramalan merupakan metode untuk memperkirakan informasi yang bersifat prediktif dalam menentukan arah
di masa depan dengan menggunakan data historis sebagai acuan seperti melakukan analisis terhadap data-data masa lalu
untuk menemukan hubungan, pola, dan kecenderungan yang sistematis. Peramalan sendiri merupakan bagian vital bagi
setiap organisasi bisnis dan untuk setiap pengambilan keputusan manajemen yang sangat signifikan.
Dalam perencanaan masa depan, peramalan ini menjadi dasar bagi setiap perusahaan. Jika sebuah perusahaan
dapat memprediksi apa yang terjadi di masa depan maka perusahaan dapat mengubah kebiasaan saat ini menjadi lebih
baik dengan posisi yang akan jauh lebih berkembang pada masa yang akan datang.
Proses peramalan sendiri dapat digunakan untuk memprediksi kebutuhan uang kartal pada Bank. Hal ini akan
sangat mempengaruhi dalam mengantisipasi terjadinya risiko reputasi dan operasional. Dengan tepatnya dalam
melakukan kebutuhan uang kartal, maka dapat mencegah terjadinya kekurangan uang kertas akibat adanya permintaan
uang kartal yang tinggi di masyarakat. Selain itu juga dapat memastikan uang kertas yang terdapat pada mesin-mesin
ATM tetap terjaga.

DOI: 10.12962/j27213862.vxix.xxxx ©Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X

Dengan adanya permasalahan dalam meramalkan kebutuhan uang kartal, maka kami menggunakan metode
single moving average.

II. Tinjauan Pustaka

2.1. Forecasting atau Peramalan dengan Moving Average
Menurut Wei dalam Hadiansyah, mengatakan bahwa Time Series adalah kumpulan kejadian yang terjadi secara
berurutan pada rentang waktu tertentu. Forecasting atau peramalan data pada time series adalah prediksi untuk
memperkarakan beberapa kejadian yang selanjutnya akan terjadi pada masa depan yang didasarkan pada data-data yang
telah lampau [1].
Dalam forecasting terdapat beberapa metode yang dapat digunakan, salah satunya Moving Average.
Penggunaan Metode Moving Average pada beberapa tahun terakhir masih banyak digunakan untuk proses peramalan,
hal ini dikarenakan kesederhanaannya dan sesuai dengan kondisi data yang akan diramalkan. Metode ini juga telah
mengalami berbagai macam modifikasi dengan dikombinasikan dengan metode yang lain seperti autoregressive
integrated moving average (ARIMA) (Makridakis, Wheelwright dan McGee, 2015)[2]. Selanjutnya metode moving
average ini masih bisa dan sangat layak untuk digunakan dalam melakukan peramalan yang sederhana dan praktis serta
digunakan oleh beberapa peneliti untuk meramalkan data yang akan data pada kemudian hari. Beberapa penelitian yang
menggunakan Moving Average diantaranya, Penelitian (Lauren,2014)[3] tentang prediksi saham yang dikaitkan dengan
klasifikasi berita yang bersifat positif, negatif, maupun netral yang mempengaruhi sentimen pasar dengan menggunakan
single moving average; Pendekatan Metode Moving Average yang dilakukan oleh Hansun pada tahun 2013,
menggabungkan rentet waktu atau time series untuk memprediksi Indeks Harga Saham Gabungan (IHSG); Peramalan
jumlah mahasiswa STIMATA oleh (Asad, Wibowo and Sophia dalam Prapcoyo, 2018)[4] yang dikombinasikan dengan
autoregressive integrated moving average dengan runtut waktu.
Berdasarkan pengertiannya, Moving Average merupakan perhitungan untuk menganalisis titik data dengan
menciptakan serangkaian nilai rata-rata dari himpunan per-bagian yang berbeda dari kumpulan data seluruhnya. Jenis
Moving Average yang lazim digunakan yaitu single, exponential, smoothed, dan linear weighted moving averages.
Dalam penelitian ini, kami menggunakan Metode Single Moving untuk melakukan peramalan atas kebutuhan uang tunai
pada Bank ABC.

2.2. Single Moving Average (SMA)

Menurut Makridakis, Wheelwright, dan McGee dalam Prapcoyo[4], mengatakan bahwa Single Moving
Average (SMA) atau rata-rata bergerak tunggal merupakan nilai rata-rata yang tidak tertimbang dari n data sebelumnya
atau dengan kata lain sebuah teknik yang merata-ratakan sebuah angka dari sebuah nilai aktual terbaru atau diperbarui
sebagai berbagai nilai baru yang tersedia. Persamaan yang digunakan adalah sebagai berikut:

𝑌𝑡 + 𝑌𝑡−1 + 𝑌𝑡−2 +⋯+ 𝑌𝑡−𝑛−1

𝑆𝑀𝐴 = 𝑀𝑡 = 𝑀𝑡+1 = 𝑛
(1)

dimana:
Mt = Moving average untuk periode t
Ft+1 = Ramalan untuk periode t+1
Yt = Nilai riil periode ke t
n = Jumlah batas dalam moving average

Untuk memilih panjang rata-rata (n) yang digunakan akan dihitung nilai Akaike Information Criterion (AIC)
dan nilai Bayesian Information Criterion (BIC). Nilai AIC dihitung sebagai:

𝐴𝐼𝐶 = 2𝑘 − 2 𝑙𝑛 𝑙𝑛 (𝐿) (2)

dimana, k = jumlah parameter yang diestimasi

L = nilai maximum fungsi likelihood

𝐵𝐼𝐶 = 𝑙𝑛 (𝑛) 𝑘 − 2 𝑙𝑛 (𝐿) (3)

dimana, k = jumlah parameter yang diestimasi

L= nilai maximum fungsi likehood
n = ukuran sampel

2.3. Weighted Moving Averages (WMA)

Rata-rata bergerak tertimbang atau rata-rata bergerak terboboti merupakan suatu model peramalan yang
dirancang untuk menambahkan bobot pada data terbaru yang lebih berat dari pada data masa lalu. Jumlah bobot pada
model ini sebesar 100% pada data yang digunakan untuk model peramalan. Pada model Single Moving Average bobot

DOI: 10.12962/j27213862.vxix.xxxx ©Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X

dari semua waktu (t) adalah sama, sedangkan pada model ini data terbaru bobotnya lebih besar dari data yang lalu.
Model Weighted Moving Averages ini dapat ditulis dengan persamaan berikut ini:

𝑛𝑝𝑚 + (𝑛−1)𝑛𝑝𝑀−1 + 2𝑃(𝑀−𝑛+2) +𝑃(𝑀−𝑛+1)

𝑊𝑀𝐴𝑀 = 𝑛+(𝑛−1)+⋯+2+1
(4)

dimana,
n = periode atau time interlude
Pm = nilai riil periode ke m
WMAm = nilai ramalan model WMA

2.4. Exponential Moving Average (EMA)

Exponential Moving Averages merupakan pengembangan model weighted moving average ke arah model
eksponensial. Bobot yang diberikan sedikit berbeda dengan model Weighted Moving Average, pada model Exponential
Moving Average ini merupakan data terbaru diboboti lebih besar data yang telah lalu dan bobot terlama mendekati nol
yang membentuk grafik secara exponensial. Menurut Nist dalam Prapcoyo[4], model Exponential Moving Average
dapat dituliskan dalam persamaan sebagai berikut:

𝑆1 = 𝑌1, 𝑓𝑜𝑟 𝑡 > 1, 𝑆𝑡+1 = 𝛼. 𝑌𝑡 + (1 − 𝑎). 𝑆𝑡 (5)

dimana,
Yt = Nilai riil periode ke t
St = Nilai smoothing eksponensial EMA periode ke t
α = Konstanta smoothing antara o sampai dengan 1

2
𝛼 = (𝑚+1) (6)

2.5. Pengukuran Akurasi Hasil Peramalan

Menghitung kesalahan peramalan sering pula disebut dengan menghitung ketepatan pengukuran (accuracy
measures). Dalam prakteknya terdapat beberapa alat ukur yang sering digunakan untuk menghitung kesalahan
peramalan:
(1) Rata-rata Deviasi Mutlak - Mean Absolute Deviation (MAD)
Merupakan perhitungan yang digunakan untuk menghitung rata-rata kesalahan mutlak, dengan persamaan:

𝑀𝐴𝐷 = ∑ |𝐴𝑘𝑡𝑢𝑎𝑙 − 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡|/𝑛 (7)

Dari rumus, dapat diartikan bahwa ∑ |𝐴𝑘𝑡𝑢𝑎𝑙 − 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡| adalah hasil pengurangan antara nilai aktual
dan forecast masing-masing periode yang kemudian di absolute-kan, dan selanjutnya dilakukan penjumlahan
terhadap hasil-hasil pengurangan tersebut. Nilai n merupakan jumlah periode yang digunakan untuk
perhitungan.

(2) Rata-rata Kuadrat Error - Mean Square Error (MSE / MSD)

Merupakan metode alternatif dalam suatu metode peramalan. Menurut Nasution dalam Herdiansyah dan
Hasibuan, Pendekatan ini penting karena menghasilkan kesalahan yang moderat lebih disukai oleh suatu
peramalan yang menghasilkan kesalahan yang sangat besar/ MSE dihitung dengan menjumlahkan kuadrat
semua kesalahan peramalan pada setiap periode dan membaginya dengan jumlah periode peramalan.

(𝐴𝑘𝑡𝑢𝑎𝑙−𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡)2
𝑀𝑆𝐸 = ∑ (8)
𝑛−1

Dari rumus, dapat diartikan bahwa ∑ (𝐴𝑘𝑡𝑢𝑎𝑙 − 𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡)2 merupakan hasil pengurangan antara nilai
aktual dan forecast yang telah dikuadratkan, kemudian dilakukan penjumlahan terhadap hasil-hasil tersebut.
Dan n merupakan jumlah periode yang digunakan untuk perhitungan.

(3) Rata-rata Persentase Kesalahan Absolute - Mean Absolute Percentage Error (MAPE)
Merupakan ukuran kesalahan relatif MAPE basanya lebih dibandingkan dengan MAD karena MAPE
menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang
akan memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah.

|𝐴𝑘𝑡𝑢𝑎𝑙−𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡|
𝑀𝐴𝑃𝐸 = ∑ ( ) ∗ 100/𝑛 (9)
𝐴𝑘𝑡𝑢𝑎𝑙

DOI: 10.12962/j27213862.vxix.xxxx ©Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X

|𝐴𝑘𝑡𝑢𝑎𝑙−𝑓𝑜𝑟𝑒𝑐𝑎𝑠𝑡|
Dari rumus tersebut, dapat diartikan bahwa ∑ ( ) merupakan hasil pengurangan antara nilai
𝐴𝑘𝑡𝑢𝑎𝑙
actual dan forecast yang telah di absolute-kan, kemudian dibagi dengan nilai actual per-periode masing-masing,
kemudian dilakukan penjumlahan terhadap hasil-hasil tersebut. Dan n merupakan jumlah periode yang
digunakan untuk perhitungan. Semakin rendah nilai MAPE, kemampuan dari model peramalan yang digunakan
dapat dikatakan baik, dan untuk MAPE terdapat range nilai yang dapat dijadikan bahan pengukuran mengenai
kemampuan dari suatu model peramalan, range nilai tersebut dapat dilihat pada table di bawah ini.

Table 1. Range Nilai MAPE

Range MAPE Arti

< 10% Kemampuan Model Peramalan Sangat Baik
10 – 20% Kemampuan Model Peramalan Baik
20 – 50% Kemampuan Model Peramalan Layak
>50% Kemampuan Model Peramalan Buruk

MAD (Mean Absolute Deviation) digunakan jika seorang analis ingin mengukur kesalahan peramalan dalam
unit ukuran yang sama seperti data aslinya. MSE (Mean Square Error) digunakan karena menghasilkan
kesalahan yang moderat yang lebih disukai oleh suatu peramalan yang biasanya menghasilkan kesalahan yang
moderat yang lebih disukai oleh suatu peramalan yang biasanya menghasilkan kesalahan yang lebih kecil tetapi
kadang-kadang menghasilkan kesalahan yang sangat besar. MAPE (Mean Absolute Percent Error) digunakan
jika ukuran variable peramalan merupakan faktor penting dalam mengevaluasi akurasi peramalan tersebut.
MAPE memberikan petunjuk seberapa besar kesalahan peramalan dibandingkan dengan nilai sebenarnya dari
series tersebut.

III. Metode Penelitian

3.1. Data Penelitian
Data yang digunakan diambil dari yang digunakan diambil dari laporan kebutuhan uang kartal Bank ABC pada
tahun 2020-2021 dengan periode data mingguan. data rentet waktu terdiri dari 52 minggu pada tiap tahunnya.
pengolahan data awal dilakukan dengan menganalisis data yang ada. Aspek penting dalam peramalan data adalah dengan
memperhitungkan karakteristik pola data sehingga diharapkan dapat menemukan metode perhitungan yang cocok.
pemilihan metode yang cocok atau sesuai dengan karakteristik data akan mempengaruhi interpretasi terhadap hasil
pengujian data.
Berikut merupakan grafik data yang digunakan:

Figure 1: Grafik Kebutuhan Uang Kartal Bank ABC

DOI: 10.12962/j27213862.vxix.xxxx ©Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X

Table 2: Data Kebutuhan Uang Kartal Bank ABC

3.2. Analisis Data

Analisis data dilakukan dengan bantuan software minitab. Data kebutuhan uang kartal dilakukan ploting untuk
mendapatkan gambaran pola data seperti gambar pada poin 3.1. Dapat dilihat pada grafik, terlihat bahwa pergerakan
trend mengalami cukup banyak perubahan sehingga kami melakukan analisis dengan model single moving average.

DOI: 10.12962/j27213862.vxix.xxxx ©Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X

IV. Hasil dan Pembahasan

Berikut ini hasil analisis data untuk model Single Moving Average (SMA) yang digunakan untuk meramalkan
nilai kebutuhan uang tunai pada Bank ABC dengan hasil sebagai berikut:
4.1. Uji Stasioneritas Data terhadap Rata-Rata

Figure 2:Uji Autocorrelation Function for Kebutuhan

Berdasarkan atas hasil uji stasioneritas data yang dimiliki, terdapat 4 lag yang terpotong, sehingga perlu
dilakukan proses diferensiasi satu kali atas data yang ada dan kembali dilakukan uji stationaritas terhadap rata-rata.
Sehingga diperoleh hasil sebagai berikut:

Figure 3:Uji Autocorrelation Function pada Data Differensiasi

Berdasarkan atas hasil uji stasioneritas terhadap rata-rata pada data diferensiasi sebelumnya, didapatkan
bahwa hanya ada 1 lag yang terpotong. Sehingga sudah dapat dikatakan data telah stasioner terhadap rata-rata.

DOI: 10.12962/j27213862.vxix.xxxx ©Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X

4.2. Uji Stasioneritas Data terhadap Ragam

Figure 4: Uji Partial Autocorrelation Function

Berdasarkan atas uji stasioneritas terhadap ragam, dapat diketahui bahwa terdapat 1 lag yang terpotong. Sehingga
dapat dinyatakan bahwa data telah stasioner terhadap ragam.

4.3. Peramalan Menggunakan Moving Average

Table 3 :Tabel hasil peramalan menggunakan Moving Average

Peramalan Moving Average ini menggunakan data diferensiasi, sehingga untuk nilai forecast yang didapatkan
adalah sebagai berikut:

Table 4: Tabel hasil peramalan Moving Average pada Data Aktual

Berdasarkan atas tabel di atas, dapat diketahui bahwa:

(1) Peramalan MA3 didapatkan nilai kebutuhan uang kartal sebesar 162.200.000 ribu rupiah.
(2) Peramalan MA4 didapatkan nilai kebutuhan uang kartal sebesar 173.691.750 ribu rupiah.
(3) Peramalan MA5 didapatkan nilai kebutuhan uang kartal sebesar 166.000.000 ribu rupiah.
(4) Peramalan MA9 didapatkan nilai kebutuhan uang kartal sebesar 173.263.000 ribu rupiah.

4.4. Nilai akurasi

Table 5: Tabel Hasil Pengujian Nilai Akurasi pada Peramalan Model Moving Average

DOI: 10.12962/j27213862.vxix.xxxx ©Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X

Berdasarkan atas hasil pengujian akurasi pada peramalan Moving Average sebelumnya, dapat dilihat bahwa
nilai MAPE pada seluruh model Moving Average >50%. Sehingga dapat dikatakan bahwa model ini belum maksimal
dan perlu analisa data yang lebih lanjut.

V. Kesimpulan
Dari penelitian ini dapat dibuat kesimpulan sebagai berikut :
1. Model terbaik yang dapat digunakan untuk meramalkan kebutuhan uang kartal pada Bank ABC adalah Moving
Average-4 dengan nilai akurasi peramalan (MAPE, MAD, MSD) terkecil sebesar masing-masing 5,42694E+02 ;
2,83731E+07, 1,08734E+15.
2. Hasil peramalan kebutuhan uang kartal pada Bank ABC dari Model Moving Average-4 adalah Rp. 173.691.750
Ribu Rupiah.
3. Namun berdasarkan nilai MAPE, untuk seluruh model Moving Average mendapatkan nilai >50 % sehingga dapat
dikatakan model yang dipakai belum maksimal dan perlu dilakukan analisa lebih lanjut

REFERENCES
[1] F.N. Hadiansyah, “Prediksi Harga Cabai dengan Pemodelan Time Series ARIMA”, Indonesian Journal of Computing, Vol 2, Issue
1, Maret 2017, pp. 71-78.
[2] Markidakis, S. Steven, C Wheelwright. Victor, E Mcgee.“Metode dan Aplikasi Peramalan Jilid 2”. Jakarta:Erlangga.1992.
[3] Lauren, S.”Stock Trend Prediction Using Simple Moving Average Supported by News Classification”.(1), pp. 135-139.
[4] Prapcoyo. Hari, “Peramalan Jumlah Mahasiswa Menggunakan Moving Average”, Telematika, Vol 15, No. 01, April, 2018, Pp. 67-
68.

DOI: 10.12962/j27213862.vxix.xxxx ©Department of Statistics, Institut Teknologi Sepuluh Nopember