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
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
3000
2750
Plot data reject nasabah belum 2250 Pada plot Box-cox transformasi
data reject nasabah diketahui
stasioner terhadap varians dan 2000
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
Partial Autocorrelation
Analysis Setelah Differencing 0,4 A ccuracy Measures
MAPE 97,1740 0,4
MAD 0,1956
lag 1,3, dugaan model
Differencing
-0,8 -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
Content Here
Estimasi Parameter
Content Here
Diagnosa Model Time Series Plot of RESI1
1000
RESI1
0
-500
-1000
1 6 12 18 24 30 36 42 48 54 60
Index
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
-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
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