Stationer Tingkat Diferensi Pertama

estimasi fungsi otokorelasi dan fungsi otokorelasi parsial ACF dan PACF dalam correlegram berdasarkan tingkat data yang telah dinyatakan stasioner sebagaimana uraian di bawah ini : Tabel 5.3.1 Tingkat level stasioner data Variabel Tingkat stasioner ARIMA p, d, q Jumlah BPRS 1 1 Jumlah Rek. DPK 2 2 Jumlah Rek. Pemb. 1 1 Jumlah DPK 2 2 Jumlah Pemb. UMKM 1 1 Sumber : Data diolah Dari tabel di 5.3.1 dapat diketahui bahwa nilai komponen d dari suatu model ARIMA yang akan digunkan di setiap variabelnya. Variabell jumlah BPRS memiliki kemungkinan model ARIMAp,1,q, jumlah rekening DPK mempunyai model ARIMAp,2,q, jumlah rekening pembiayaan mempunyai model ARIMAp,1,q, jumlah DPK mempunyai model ARIMAp,2,q, dan jumlah pembiayaan UMKM mempunyai model ARIMAp,1,q Hasil correlegram lampiran 2 kelima variabel yang digunakan menunjukkan pola yang bergelombang sinus sehingga dapat disimpulkan bahwa model yang digunakan yaitu ARIMAp,d,q bukan ARIMA0,d,q ataupun ARIMAp,d,0. Sedangkan nilai p dan q yang digunakan mengacu pada model standar ARIMA1,d,1, ARIMA1,d,2, ARIMA1,d,3, ARIMA2,d,1, dan ARIMA2,d,2,. Namun masih ada kemungkinan model yang telah dipilih kurang sesuai dengan data yang digunakan. Model yang paling baik ditentukan pada langkah selanjutnya.

1. Estimasi Parameter dan Uji White Noise

Estimasi parameter merupakan tahapan untuk menentukan nilai koefisien p,d,q berdasarkan ordo maksimal tentatif, sedangkan uji white noise adalah prosedur yang berfungsi sebagai filter ordo yang layak untuk digunakan sebagai model prediktif dari parameter yang diestimasi. Menurut Widarjono, estimasi parameter merupakan tahapan untuk mengestimasi model tentatif ARIMA, dan uji white noise dilakukan dengan membandingkan nilai Ljungbox Q-statistics dengan nilai tabel X 2 , serta correlogram yang tidak melampaui nilai tolerance yang dihitung dengan formula ± 1.96 T 0.5 . Berikut adalah estimasi dan uji white noise untuk variabel jumlah BPRS di Indonesia pada α = 5 : Berdasarkan pengujian sebanyak lag maksimal yaitu 12 lag, diperoleh model yang memenuhi uji Ljung-Box diantaranya : Tabel 5.3.2 Hasil Uji Ljung-Box Variabel Arima p,d,q Probabilitas Arp Probabilitas Maq Ljung-Box Jumlah BPRS 1.1.1 0.0000 0.0002 White Noise Jumlah Rek. DPK 3.2.1 0.0000 0.0000 White Noise J. Rek. Pembiayaan 6.1.6 0.0278 0.1848 Tidak White Jumlah DPK 2.2.2 0.0000 0.0000 White Noise J. Pemb. UMKM 2.1.1 0.0082 0.0166 White Noise Sumber : Data Diolah Tabel 5.3.2 menunjukkan bahwa setiap variabel di nyatakan White Noise kecuali variabel jumlah rekening pembiayaan. Variabel julah BPRS, jumlah rekening DPK, jumlah DPK dan jumlah pembiayaan UMKM