PERAMALAN JUMLAH DATA REJECT NASABAH

PT. BANK RAKYAT INDONESIA (PERSERO) TBK. KANTOR CABANG

TULANG BAWANG MENGGUNAKAN METODE ARIMA

Nama : Reza Relita

Nim 16117007

Penguji : Nela Rizka, S.Si., M.Si

Pembimbing : Tiara Shofi Edriani, S.Si., M.Si,

http://www.free-powerpoint-templates-design.com
 Latar Belakang
Salah satu permasalahan yaitu 3 4 Dapat di prediksi menggunakan
maintances data reject nasabah Metode ARIMA

Sehingga mendapatkan target yang

Memiliki fasilitas yang cukup 2 5 akan diselesaikan pada waktu
memadai
berikutnya

PT. Bank Rakyat Indonesia (Persero) Dapat menjadi instansi perbankan

1 6 yang unggul dalam menyelesaikan
Tbk. Kantor Cabang Tulang Bawang
terletak di Tulang Bawang maintances data nasabah
 Pendahuluan
Rumusan Masalah Batasan Masalah Tujuan Manfaat

1. Lokasi Kuliah Praktik 1. Nilai peramalan jumlah

1. Bagaimana model adalah PT. Bank Untuk membantu
terbaik untuk mengetahui jumlah data data reject nasabah
Rakyat Indonesia
meramalkan Jumlah reject nasabah yang akan dapat membantu
(Persero) Tbk. Kantor mengetahui jumlah
Data Reject Nasabah Cabang Tulang diselesaikan
Menggunakan Metode data yang akan
Bawang
ARIMA diselesaikan
2. Data diperoleh dari PT. 2. Bagi penulis sebagai
2. Bagaimana hasil Bank Rakyat
peramalan jumlah wadah untuk
Indonesia (Persero)
Data Reject Nasabah menerapkan dan
Tbk. Kantor Cabang mengimplementasikan
Menggunakan Metode Tulang Bawang tahun
ARIMA ilmu yang diperoleh
2015-2020 selama perkuliahan
3. Peramalan jumlah data
reject nasabah
menggunakan alat
bantu Minitab 16
Metode
01 Uji Stasioneritas

02 Identifikasi Model

03 Estimasi Parameter

04 Diagnosa Model

05 Peramalan
 Data Reject Nasabah 2015-2020

Data Training
1 Januari 2015-Maret 2020

2 Data Validasi
April 2020-Agustus 2020

Tabel 1 Data Reject Nasabah Januari 2012 – Agustus 2020

Uji Stasioneritas 3250
Time Series Plot of Data Reject Nasabah

3000

2750

Data Reject Nasabah

2500

Plot data reject nasabah belum 2250 Pada plot Box-cox transformasi
data reject nasabah diketahui
stasioner terhadap varians dan 2000

bahwa nilai rounded valuenya

1750
means. 1500 0,00.
1 6 12 18 24 30 36 42 48 54 60
Index

Box-Cox Plot of Transformasi 1

Box-Cox Plot of Data Reject Nasabah
Lower C L Upper CL
Gambar 1 Plot Data Reject Nasabah Lambda

0,1765 (using 95,0% confidence)

Lambda
450 Estimate 1,00
(using 95,0% confidence)
Estimate 0,03 Lower C L *
425 Upper C L *
Lower CL -1,22 0,1760
Upper CL 1,32 Rounded Value 1,00
400 Rounded Value 0,00

StDev
0,1755
StDev

375

350
0,1750

325

300
0,1745
Limit

-5,0 -2,5 0,0 2,5 5,0 -5,0 -2,5 0,0 2,5 5,0
Lambda Lambda

Gambar 2 Plot Box-Cox Data Reject Nasabah Gambar 3 Plot Box-Cox Transformasi Data Reject
Nasabah
Identifikasi Model
Trend Analysis Plot for Transformasi 1 Autocorrelation Function for Differencing
Linear Trend Model (with 5% significance limits for the autocorrelations)
Yt = 9,2513 + 0,00609*t
10,0 1,0
Variable
Dari gambar 4 Plot Trend Analysis A ctual
Fits
0,8
Dari gambar 6 Plot ACF
9,8 0,6
A ccuracy Measures
0,4
Plot trend analysis belum

A utocorrelation
MAPE 2,37146
Plot ACF cut off setelah lag 1

Transformasi 1
9,6 MAD 0,22289
MSD 0,06728
0,2

stasioner karena masih 9,4

0,0

terdapat unsur trend naik. 9,2

-0,2
-0,4
-0,6
9,0 -0,8
-1,0
1 6 12 18 24 30 36 42 48 54 60 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Index Lag

Gambar 4 Plot Trend Analysis Gambar 6 Plot ACF

Trend Analysis Plot for Differencing Partial Autocorrelation Function for Differencing
Linear Trend Model (with 5% significance limits for the partial autocorrelations)
Yt = 0,0190 - 0,000292*t
0,8 Variable
1,0 Dari gambar 7 Plot PACF
A ctual 0,8
Dari gambar 5 Plot Trend 0,6 Fits
0,6
Plot PACF cut off setelah

Partial Autocorrelation
Analysis Setelah Differencing 0,4 A ccuracy Measures
MAPE 97,1740 0,4
MAD 0,1956
lag 1,3, dugaan model
Differencing

0,2 MSD 0,0688 0,2

Data sudah stasioner karena nilai 0,0 0,0

sementara adalah model
sudah berada disekitar rata-rata.
-0,2
-0,2
-0,4 ARIMA (3,1,1).
-0,4 -0,6
-0,6 -0,8

-0,8 -1,0
1 6 12 18 24 30 36 42 48 54 60 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Index Lag

Gambar 5 Plot Trend Analysis Differencing Gambar 7 Plot PACF

Estimasi Parameter

Gambar 8 Model ARIMA (3,1,1) Gambar 10 Model ARIMA (3,1,0)

Model ARIMA (3,1,1) belum Model ARIMA (3,1,0) belum

signifikan signifikan

Content Here
Estimasi Parameter

Model ARIMA (0,1,1) sudah signifikan

Gambar 12 Model ARIMA (0,1,1)

Gambar 13 Model ARIMA (1,1,1)

Gambar 11 Model ARIMA (1,1,0)
Model ARIMA (1,1,1) sudah signifikan
Model ARIMA (1,1,0) sudah signifikan

Content Here
Diagnosa Model Time Series Plot of RESI1
1000

Plot residual data reject 500

Memiliki pola dan varian
nasabah model ARIMA yang konstan
(1,1,1).

RESI1
0

-500

-1000
1 6 12 18 24 30 36 42 48 54 60
Index

Gambar 14 Plot Residual Model ARIMA (1,1,1)

ACF of Residuals for Data Reject Nasabah PACF of Residuals for Data Reject Nasabah
(with 5% significance limits for the autocorrelations) (with 5% significance limits for the partial autocorrelations)

1,0 1,0
0,8 0,8
Plot autokorelasi residual 0,6 0,6
Plot autokorelasi parsial

Partial Autocorrelation
sudah memenuhi 0,4 0,4 residual sudah memenuhi
Autocorrelation

kesesuaian uji 0,2 0,2 kesesuaian uji

0,0 0,0

-0,2 -0,2

-0,4 -0,4

-0,6 -0,6

-0,8 -0,8

-1,0 -1,0

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Lag Lag

Gambar 15 Plot Autokorelasi Residual Gambar 16 Plot Parsial Autokorelasi Residual

Diagnosa Model

Pada Uji Ljung-Box

Plot normalitas residual
Model ARIMA (1,1,1)
data reject nasabah sudah
sudah sesuai dan sudah
berdistribusi normal
memenuhi uji.

Gambar 17 Plot Normalitas Residual

Gambar 15 Output Ljung-Box Model ARIMA (1,1,1)
Normal Probability Plot
(response is Data Reject Nasabah)
99,9

Dari ketiga dugaan model ARIMA yang mempunyai MS terkecil ialah

99
model ARIMA (1,1,1) merupakan model terbaik dan memiliki nilai
95
90 koefisien dari AR(1) = 0,4709, dan nilai koefisien MA (1) = 0,9635.
80
70
Sehingga persamaan model untuk ARIMA (1,1,1) yaitu :
Percent

60
50
40
30
20
10
5

0,1
-1000 -500 0 500 1000 1500
Residual
Peramalan

Dari model ARIMA (1,1,1) diperoleh peramalan pada 4 periode kedepan yaitu
2666,08. 2676,30. 2686,50. 2696,69. Dengan memperhitungakan nilai kesalahan
peramalan didapatkan kesalahan sebesar 9%.
 Kesimpulan
1. Peramalan jumlah data reject nasabah pada PT Bank Rakyat Indonsia
(Persero) Tbk. Kantor Cabang Tulang Bawang, dengan menggunakan
model peramalan terbaik yaitu model ARIMA (1,1,1) sehingga
didapatkan peramalan pada 4 periode kedepan yaitu sebesar 2666,08.
2676,30. 2686,50. 2696,69 sehingga diperoleh nilai peramalan yang
cenderung naik
2. Kesalahan atau eror peramalan menggunakan metode ARIMA pada
jumlah data reject nasabah pada PT Bank Rakyat Indonsia (Persero)
Tbk. Kantor Cabang Tulang Bawang mempunyai hasil MAD
265,2142, MSE 120944,7 dan MAPE sebesar 9%.

Saran
Untuk penelitian selanjutnya disarankan agar peneliti melibatkan banyak
perusahaan yang bergerak di bidang perbankan, sehingga bisa
membandingkan antara jumlah data reject nasabah satu dengan yang
lainnya. Sebab pada penelitian ini hanya melibatkan satu perusahaan
.
Thank you