Eas - Statbis - Kelas F - Raditya An - 6032212145 - Robby Ys - 6032212153
Eas - Statbis - Kelas F - Raditya An - 6032212145 - Robby Ys - 6032212153
ISSN: 0216-308X
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.
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.
Dengan adanya permasalahan dalam meramalkan kebutuhan uang kartal, maka kami menggunakan metode
single moving average.
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:
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:
dimana,
n = periode atau time interlude
Pm = nilai riil periode ke m
WMAm = nilai ramalan model WMA
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)
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.
(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
|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.
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.
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:
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.
Berdasarkan atas uji stasioneritas terhadap ragam, dapat diketahui bahwa terdapat 1 lag yang terpotong. Sehingga
dapat dinyatakan bahwa data telah stasioner terhadap ragam.
Peramalan Moving Average ini menggunakan data diferensiasi, sehingga untuk nilai forecast yang didapatkan
adalah sebagai berikut:
Table 5: Tabel Hasil Pengujian Nilai Akurasi pada Peramalan Model Moving Average
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.