Efektivitas Penggunaan Arima Dan Var Dalam Memproyeksi Permintaan Kredit Di Indonesia

SKRIPSI

EFEKTIVITAS PENGGUNAAN ARIMA DAN VAR DALAM MEMPROYEKSI PERMINTAAN KREDIT DI INDONESIA

OLEH SYARIFUDDIN

090501014

PROGRAM STUDI EKONOMI PEMBANGUNAN DEPARTEMEN EKONOMI PEMBANGUNAN

FAKULTAS EKONOMI

UNIVERSITAS SUMATERA UTARA MEDAN

UNIVERSITAS SUMATERA UTARA FAKULTAS EKONOMI

DEPARTEMEN EKONOMI PEMBANGUNAN

Nama : Syarifuddin

PERSETUJUAN PERCETAKAN

NIM : 090501014

Departemen : Ekonomi Pembangunan Konsentrasi : Perbankan

Judul Skripsi : Efektivitas Penggunaan ARIMA dan VAR dalam Memproyeksi Permintaan Kredit di Indonesia

Tanggal, ______________ Ketua Program Studi

NIP. 19710503 200312 1 003 Irsyad Lubis, SE, M.Soc.Sc, Ph.D

Tanggal, ______________ Ketua Departemen

NIP. 19730408 199802 1 001 Wahyu Ario Pratomo, SE, M.Ec

UNIVERSITAS SUMATERA UTARA FAKULTAS EKONOMI

DEPARTEMEN EKONOMI PEMBANGUNAN

Nama : Syarifuddin

PERSETUJUAN

NIM : 090501014

Departemen : Ekonomi Pembangunan Konsentrasi : Perbankan

Judul Skripsi : Efektivitas Penggunaan ARIMA dan VAR dalam Memproyeksi Permintaan Kredit di Indonesia

Tanggal, Juli 2013 Pembimbing

NIP. 19630818 198803 1 005 Wahyu Ario Pratomo, SE,M.Ec

Tanggal, Juli 2013 Pembaca Penilai

NIP. 19730408 199802 1 001 Paidi Hidayat, SE, M.Si

LEMBAR PERNYATAAN

Saya yang bertanda tangan di bawah ini menyatakan dengan sesungguhnya bahwa skripsi saya yang berjudul ”EFEKTIVITAS PENGGUNAAN ARIMA DAN VAR DALAM MEMPROYEKSI PERMINTAAN KREDIT DI INDONESIA” adalah benar hasil karya tulis saya sendiri yang disusun sebagai tugas akademik guna memperoleh gelar Sarjana Ekonomi pada Fakultas Ekonomi Universitas Sumatera Utara.

Bagian atau data tertentu yang saya peroleh dari perusahaan atau lembaga, dan/atau saya kutip dari hasil karya orang lain telah mendapat izin, dan/atau dituliskan sumbernya secara jelas sesuai dengan norma, kaidah dan etika penulisan ilmiah.

Apabila kemudian hari ditemukan adanya kecurangan dan plagiat dalam skripsi ini, saya bersedia menerima sanksi sesuai dengan peraturan yang berlaku.

Medan, Juli 2013 Penulis

NIM. 09050101

ABSTRACT

ARIMA USE AND EFFECTIVENESS IN PROJECTING VAR CREDIT DEMAND IN INDONESIA

Research carried out by using ARIMA (Autoregressive Integrated Moving Average) with VAR method (Vector Autoregresive) to see which one is more effective in forecasting. The method is done using ARIMA has several stages, see kestasioneran date integration derejat test (unit roots), correlogram, and correlogram are in differencing. Once the date is stationary on first differencing it will be done by using ARIMA modeling. The model has been used with the ARIMA model is ARIMA (1,1,0), (0,1,1), (1,1,1), (2,2,0), (0,2,2), ( 2,2,2).

Of the six models used for forecasting do next is ARIMA (1,1,0) where the model is significant and the F Statistic value of 30.38796, while ARIMA (0,1,1) have a higher F Statistic for 58.92521. However, the appropriate model for forecasting is ARIMA (1,1,0) while the ARIMA (0,1,1) is not appropriate because of the data that is forecast to fall or sngat too biased, the credit data is appropriate for forecasting performed is ARIMA ( 1,1,0). With ARIMA method used can be seen the level of the lowest average error (RMSE) of 8.70 which is convincing to forecasting results in the next year. While VAR models through several stages to perform forecasting the stationary test, the estimated VAR model, impulse response, variance decomposition after that will be followed by a forecasting method. About VAR method that we must look first respone of several variables and relationships between variables, after all interconnected of one

conducted with VAR method in which data is inflation and JIBOR, forecasting values generated ascending as can be seen in Table 4.18. While forecasting is done with ARIMA method with data on the number of credit decreased, this indicates that there is a correlation between the increase JIBOR, inflation and credit demand.

For more details, if there is an increase JIBOR and inflation then the demand for credit decreases with the forecasting results and the theory is carried out. From looking at the results of the forecasting is done both methods can be concluded that it is more effectively used for ARIMA forecasting method because it is the average error rate ARIMA method is quite small, whereas the VAR model to do some stage to see the results of forecasting

ABSTRAK

EFEKTIVITAS PENGGUNAAN ARIMA DAN VAR DALAM MEMPROYEKSI PERMINTAAN KREDIT DI INDONESIA

Penelitian yang dilakukan dengan menggunakan metode ARIMA (Autoregressive Integrated Moving Average ) dengan metode VAR ( Vector Autoregresive ) untuk melihat mana yang lebih efektif dalam melakukan peramalan. Metode yang dilakukan dengan menggunakan ARIMA memiliki beberapa tahap yaitu melihat kestasioneran data dengan uji derejat integrasi (Akar-akar unit), correlogram, dan correlogram yang di differencing. Setelah data stasioner pada first differencing maka akan dilakukan permodelan dengan menggunakan ARIMA. Model yang telah digunakan dengan model ARIMA adalah ARIMA (1,1,0), (0,1,1), (1,1,1), (2,2,0), (0,2,2), (2,2,2). Dari enam model yang dilakukan yang digunakan untuk peramalan berikutnya adalah model ARIMA (1,1,0) dimana model ini signifikan dan nilai F Statistic sebesar 30.38796 sedangkan model ARIMA (0,1,1) memiliki F Statistic lebih tinggi sebesar 58.92521. Namun model yang sesuai untuk peramalan adalah ARIMA (1,1,0) sedangkan ARIMA (0,1,1) tidak sesuai karena data yang diramalkan akan terlalu turun atau sngat bias, pada data kredit ini yang sesuai yang dilakukan untuk peramalan adalah ARIMA (1,1,0). Dengan metode ARIMA yang digunakan dapat dilihat tingkat kesalahan rata-rata terendah (RMSE) sebesar 8,70 yang menyakinkan untuk hasil peramalan pada tahun berikutnya. Sedangkan model VAR melalui beberapa tahap untuk melakukan peramalan yaitu uji stasioneritas, estimasi model VAR, impulse response, variance decomposition setelah itu akan dilanjutkan dengan metode peramalan.

Metode VAR yang dilakuakan kita harus melihat dahulu respone dari beberapa variabel serta hubungan antar variabel, setelah semuanya saling mempengruhi antara satu variabel dengan variabel lainya maka selanjutnya dilakukan peramalan. Hasil peramalan yang dilakukan dengan metode VAR dimana datanya adalah inflasi dan suku bunga jibor, nilai peramalan yang dihasilkan menaik seperti dapat dilihat pada tabel 4.18. Sedangkan peramalan yang dilakukan dengan metode ARIMA dengan data jumlah kredit menurun, ini mengidikasikan bahwa ada korelasi antara kenaikan suku bunga jibor, inflasi dan permintaan kredit. Untuk lebih jelasnya apabila terjadi kenaikan suku bunga jibor dan inflasi maka permintaan kredit menurun sesuai dengan hasil peramalan yang dilakukan dan teori yang ada. Dari melihat hasil peramalan yang dilakukan dari kedua metode tersebut dapat di simpulkan bahwa yang lebih efektif digunakan untuk peramalan adalah metode ARIMA karena tingkat rata-rata kesalahan metode ARIMA cukup kecil, sedangkan model VAR harus melakukan beberapa tahap untuk melihat hasil peramalan

KATA PENGANTAR

Puji dan syukur saya ucapkan kepada allah swt berkat rahmat dan hidayahnya saya dapat menyelesaikan skripsi ini yang berjudul ”Efektivitas Penggunaan ARIMA dan VAR dalam Memproyeksi Permintaan Kredit di Indonesia”. Adapun skripsi ini merupakan salah satu syarat untuk memperoleh gelar Sarjana Ekonomi pada Departemen Ekonomi Pembangunan Fakultas Ekonomi Universitas Sumatera Utara Medan tahun akademik 2012/2013.

Skripsi ini tidak terlepas dari jasa berbagai pihak yang telah membantu terselesaikannya skripsi ini, baik saran, motivasi dan doa. Karena itu dengan hati yang tulus saya ucapkan banyak terimakasih kepada:

1. Kedua orangtua tercinta bapak Sahman, Ibu Rohani, dan teman-teman saya Fredy Dermawan Tambunan, Tagor Saleh Harahap. Semoga allah swt memberikan rahmat dan karunianya kepada kalian semua, amiin ya robbal’lamiin.

2. Bapak Prof. Dr. Azhar Maksum, M.Ec.Ac selaku Dekan Fakultas Ekonomi Universitas Sumatera Utara.

3. Bapak Wahyu Ario Pratomo, SE, M.Ec selaku Ketua Departemen dan Bapak Drs. Syahrir Hakim Nasution, M.Si selaku Sekretaris Departemen Ekonomi Pembangunan Fakultas Ekonomi Universitas Sumatera Utara.

4. Bapak Irsyad Lubis, SE, M.Soc.Sc, Ph.D selaku Ketua Program Studi dan Bapak Paidi Hidayat, SE, M.Si selaku Sekretaris Program Studi S1 Ekonomi Pembangunan Fakultas Ekonomi Universitas Sumatera Utara.

5. Bapak selaku Wahyu Ario Pratomo, SE, M.Ec dosen pembimbing yang selama ini telah banyak membantu penulis dalam menyelesaikan skripsi ini. 6. Bapak Paidi Hidayat, SE, M.Si selaku dosen pembaca penilai yang telah

memberikan masukan.

8. Seluruh Pegawai Departemen Ekonomi Pembangunan dan Pegawai Fakultas Ekonomi Universitas Sumatera Utara.

9. Sahabat-sahabat terkasih di kelompok kecil ku dan semua teman-teman Ekonomi Pembangunan Stambuk 2009, semoga allah swt selalu melimpahkan taufik dan hidayahnya kepada kalian semua.

10.Semua pihak yang turut membantu penyelesaian skripsi ini, namun tidak dituliskan pada lembaran ini, penulis mohon maaf.

Tulisan ini masih jauh dari sempurna, karena itu semua kritik dan saran dari pembaca akan sangat berharga bagi penulis, demi perbaikan skripsi ini. Semoga skripsi ini bermanfaat bagi semua yang membutuhkannya. Akhir kata penulis mengucapkan terima kasih.

Medan, Maret 2013 Penulis

Syarifuddin NIM: 090501014

DAFTAR ISI

Halaman

ABSTRACT ... i

ABSTRAK ... iii

KATA PENGANTAR ... v

DAFTAR ISI ... vi

DAFTAR TABEL ... ix

DAFTAR LAMPIRAN ... xi

BAB I : PENDAHULUAN 1.1. Latar Belakang ... 1

1.2. Perumusan Masalah ... 4

1.3. Tujuan Penelitian ... 4

1.4. Manfaat Penelitian ... 5

BAB II : TINJAUAN PUSTAKA DAN URAIAN TEORITIS 2.1. Pengertian Kredit ... 7

2.2. Unsur-unsur Kredit ... 7

2.3. Penilaian Pemberian Kredit ... 8

2.4. Pengenalan ARIMA ... 10

2.5. Model ARIMA ... 11

2.6. Penenalan (VAR) ... 13

2.7. Kelebihan dan Kelemahan (VAR) ... 15

BAB III : METODE PENELITIAN 3.1. Metode ARIMA ... 17

3.2. Klasifikasi Model ARIMA (Box-Jenkins) ... 18

3.3. Tahapan Metode ARIMA ... 20

3.3.3. Penaksiran Parameter Model ... 23

3.3.4. Uji Diagnostic ... 24

3.3.5. Peramalan dengan Model ARIMA ... 24

3.4. Pengertian Model Vector Autoregresive (VAR) ... 25

3.5. Bentuk-bentuk Model VAR ... 26

3.6. Estimasi Model VAR ... 28

3.7. Analisis Model VAR ... 29

3.7.1. Peramalan ... 28

3.7.2. Impulse Response ... 29

3.7.3. Forecast Error Decomposition Variance (FEDV). 30

3.7.4. Uji Kausalitas ... 31

BAB IV : PEMBAHASAN 4.1. Uji stasioner ... 32

4.2. Identifikasi Model ... 37

4.2.1. Model ARIMA (1,1,0) ... 38

4.2.2. Model ARIMA (0,1,1) ... 39

4.2.3. Model ARIMA (1,1,1) ... 40

4.2.4. Model ARIMA (2,2,0) ... 41

4.2.5. Model ARIMA (0,2,2) ... 42

4.2.6. Model ARIMA (2,2,2) ... 43

4.3. Peramalan dengan Model ARIMA ... 44

4.4. Uji Derajat Integrasi Model VAR ... 45

4.5. Estimasi Model VAR ... 49

4.6. Impulse Response ... 51

4.7. Forecast Error Decomposition Variance (FEDV) ... 54

4.9. Peramalan dengan Metode VAR ... 56

BAB V : KESIMPULAN DAN SARAN 5.1. Kesimpulan ... 59

5.2. Saran ... 60

BAB VI : DAFTAR PUSTAKA ... 61

DAFTAR TABEL

Tabel Judul Tabel Halaman

3.1 Pola Autokorelasi dan Autokorelasi Parsial ... 22 4.1 Uji Akar-akar unit Periode

Januari 2005 s/d Desember 2012 ... 35 4.2 Correlogram Periode

Januari 2005 s/d Desember 2012 ... 36 4.3 Correlogram Periode

Januari 2005 s/d Desember 2012 differencing... 37 4.4 Model ARIMA (1,1,0) Periode

Januari 2005 s/d Desember 2012... 39 4.5 Model ARIMA (0,1,1) Periode

Januari 2005 s/d Desember 2012 ... 40 4.6 Model ARIMA (1,1,1) Periode

Januari 2005 s/d Desember 2012 ... 41 4.7 Model ARIMA (2,2,0) Periode

Januari 2005 s/d Desember 2012 ... 42 4.8 Model ARIMA (0,2,2) Periode

Januari 2005 s/d Desember 2012 ... 43 4.9 Model ARIMA (2,2,2) Periode

Januari 2005 s/d Desember 2012 ... 44 4.10 Hasil Prediksi Kredit Pada Tahun 2013

4.11 Uji Akar-akar unit INF Periode

Januari 2005 s/d Desember 2012 ... 47 4.12 Uji Akar-akar unit INF Periode

Januari 2005 s/d Desember 2012 Differencing ... 48 4.13 Uji Akar-akar unit JBR Periode

Januari 2005 s/d Desember 2012 Differencing ... 49 4.14 Etimasi Model VAR Periode

Januari 2005 s/d Desember 2012 ... 51 4.15 Lag Lenght Periode

Januari 2005 s/d Desember 2012 ... 52 4.16 Variace Decomposition Periode

Januari 2005 s/d Desember 2012 ... 55 4.17 Uji Kausalitas Periode

Januari 2005 s/d Desember 2012 ... 56 4.18 Hasil Prediksi Model VAR Pada Tahun 2013

DAFTAR LAMPIRAN

No. Lampiran Judul Halaman

1 Penelusuran Kredit (Off-Balance Sheet) Bank Umum Berdasarkan

Jenis Kredit dan Golongan Penyalur

Dalam Miliaran Rupiah... 62 2 Tingkat Inflasi (Indek Harga Konsumen)

Dalam Bentuk Persentase (%) ... 63 3 SUKU BUNGA JIBOR

(Jakarta Interbank Offered Rate)

ABSTRACT

ARIMA USE AND EFFECTIVENESS IN PROJECTING VAR CREDIT DEMAND IN INDONESIA

Research carried out by using ARIMA (Autoregressive Integrated Moving Average) with VAR method (Vector Autoregresive) to see which one is more effective in forecasting. The method is done using ARIMA has several stages, see kestasioneran date integration derejat test (unit roots), correlogram, and correlogram are in differencing. Once the date is stationary on first differencing it will be done by using ARIMA modeling. The model has been used with the ARIMA model is ARIMA (1,1,0), (0,1,1), (1,1,1), (2,2,0), (0,2,2), ( 2,2,2).

Of the six models used for forecasting do next is ARIMA (1,1,0) where the model is significant and the F Statistic value of 30.38796, while ARIMA (0,1,1) have a higher F Statistic for 58.92521. However, the appropriate model for forecasting is ARIMA (1,1,0) while the ARIMA (0,1,1) is not appropriate because of the data that is forecast to fall or sngat too biased, the credit data is appropriate for forecasting performed is ARIMA ( 1,1,0). With ARIMA method used can be seen the level of the lowest average error (RMSE) of 8.70 which is convincing to forecasting results in the next year. While VAR models through several stages to perform forecasting the stationary test, the estimated VAR model, impulse response, variance decomposition after that will be followed by a forecasting method. About VAR method that we must look first respone of several variables and relationships between variables, after all interconnected of one

conducted with VAR method in which data is inflation and JIBOR, forecasting values generated ascending as can be seen in Table 4.18. While forecasting is done with ARIMA method with data on the number of credit decreased, this indicates that there is a correlation between the increase JIBOR, inflation and credit demand.

For more details, if there is an increase JIBOR and inflation then the demand for credit decreases with the forecasting results and the theory is carried out. From looking at the results of the forecasting is done both methods can be concluded that it is more effectively used for ARIMA forecasting method because it is the average error rate ARIMA method is quite small, whereas the VAR model to do some stage to see the results of forecasting

ABSTRAK

EFEKTIVITAS PENGGUNAAN ARIMA DAN VAR DALAM MEMPROYEKSI PERMINTAAN KREDIT DI INDONESIA

Penelitian yang dilakukan dengan menggunakan metode ARIMA (Autoregressive Integrated Moving Average ) dengan metode VAR ( Vector Autoregresive ) untuk melihat mana yang lebih efektif dalam melakukan peramalan. Metode yang dilakukan dengan menggunakan ARIMA memiliki beberapa tahap yaitu melihat kestasioneran data dengan uji derejat integrasi (Akar-akar unit), correlogram, dan correlogram yang di differencing. Setelah data stasioner pada first differencing maka akan dilakukan permodelan dengan menggunakan ARIMA. Model yang telah digunakan dengan model ARIMA adalah ARIMA (1,1,0), (0,1,1), (1,1,1), (2,2,0), (0,2,2), (2,2,2). Dari enam model yang dilakukan yang digunakan untuk peramalan berikutnya adalah model ARIMA (1,1,0) dimana model ini signifikan dan nilai F Statistic sebesar 30.38796 sedangkan model ARIMA (0,1,1) memiliki F Statistic lebih tinggi sebesar 58.92521. Namun model yang sesuai untuk peramalan adalah ARIMA (1,1,0) sedangkan ARIMA (0,1,1) tidak sesuai karena data yang diramalkan akan terlalu turun atau sngat bias, pada data kredit ini yang sesuai yang dilakukan untuk peramalan adalah ARIMA (1,1,0). Dengan metode ARIMA yang digunakan dapat dilihat tingkat kesalahan rata-rata terendah (RMSE) sebesar 8,70 yang menyakinkan untuk hasil peramalan pada tahun berikutnya. Sedangkan model VAR melalui beberapa tahap untuk melakukan peramalan yaitu uji stasioneritas, estimasi model VAR, impulse response, variance decomposition setelah itu akan dilanjutkan dengan metode peramalan.

Metode VAR yang dilakuakan kita harus melihat dahulu respone dari beberapa variabel serta hubungan antar variabel, setelah semuanya saling mempengruhi antara satu variabel dengan variabel lainya maka selanjutnya dilakukan peramalan. Hasil peramalan yang dilakukan dengan metode VAR dimana datanya adalah inflasi dan suku bunga jibor, nilai peramalan yang dihasilkan menaik seperti dapat dilihat pada tabel 4.18. Sedangkan peramalan yang dilakukan dengan metode ARIMA dengan data jumlah kredit menurun, ini mengidikasikan bahwa ada korelasi antara kenaikan suku bunga jibor, inflasi dan permintaan kredit. Untuk lebih jelasnya apabila terjadi kenaikan suku bunga jibor dan inflasi maka permintaan kredit menurun sesuai dengan hasil peramalan yang dilakukan dan teori yang ada. Dari melihat hasil peramalan yang dilakukan dari kedua metode tersebut dapat di simpulkan bahwa yang lebih efektif digunakan untuk peramalan adalah metode ARIMA karena tingkat rata-rata kesalahan metode ARIMA cukup kecil, sedangkan model VAR harus melakukan beberapa tahap untuk melihat hasil peramalan

BAB I PENDAHULUAN

1.1.Latar Belakang

Kegiatan manusia akan selalu diarahkan kepada kegiatan yang akan datang, yang keberadaannya tidak dapat diketahui secara pasti. Oleh karena itu perlu melakukan sesuatu untuk masa yang akan datang serta memperhitungkan kondisi yang akan datang atau meramalkannya. Kondisi pada waktu yang akan datang tidaklah dapat diperkirakan secara pasti, namun usaha untuk meminimalkan ketidakpastian itu lazim dilakukan dengan metode atau teknik peramalan tertentu.

Permalan merupakan studi terhadap data historis untuk menemukan hubungan, kecendrungan dan pola data yang sitematis (Makridakis 1999). Peramalan menggunakan pendekatan statistik maupun non statistik keduanaya bertujuan untuk meramalkan yang diharapkan mendekati data yang aktual. Peramalan yang dilakukan berdasarkan runtun waktu pada data yang ada sesuai urutan waktu pada priode tertentu.Dengan metode peramalan ini dapat mempermudah bank sentral dalam melakukan kebijakan perbankannya pada masa yang akan datang, untuk mengukur tingkat permintaan kredit sesuai dengan faktor yang mempengaruhinya. Untuk penggunaaan teknik peramalan diperlukan data yang terdahulu, dengan asumsi pola data pada waktu yang lalu akan berulang lagi pada waktu yang akan datang.

Model Autoregressive Integrated Moving Average (ARIMA), dikembangkan oleh George Box dan Gwilym Jenkins sehingga disebut ARIMA Box-Jenkins. Metode ini merupakan dari metode penghalusan, metode regresi, dan metode dekomposisi. Metode ini banyak digunakan untuk peramalan harga saham, permintaan kredit, tenaga kerja, dan runtun waktu lainya. Dengan menggunakan ARIMA dapat dilakukan melalui lima tahap, yaitu kestasioneran data, pengidetifikasian model, pengistimasian parameter model, pengujian model, dan penggunaan model untuk peramalan. Pada tahap satu, data runtun waktu harus diperiksa kesastisionerannya (apakah rata rata dan variansnya konstan, homogen dari waktu kewaktu) karena data yang dianalisis pada ARIMA adalah data yang statisioner. Pemeriksaan dilakukan dengan metode otokorelasi dan otokorelasi parsial (dibicarakan kemudian) atas datanya. Pada tahap kedua, data yang telah statisioner berdasarkan hasil analisis otokorelasi dan otokorelasi parsial atas data yang ststisioner atau yang telah distasionerkan itu. Dari pengidentifikasian hasil datanya berupa model AR (autoregresive). I (integrated), MA (moving avarage) atau kombinasi dari dua (ARI,IMA,ARMA) atau ketiganya (ARIMA) komponen model itu.

Dengan metode ARIMA yang diakukan dapat mempermudah dalam memperhitungkan tingkat permintaan kredit dimasa yang akan datang secara akurat dengan menggunakan metode tersebut. Dengan memproyeksikan permintaan kredit dimasa yang akan datang membuat suatu perubahan kebijakan

perbankan indonesia agar proyeksi yang diharapkan dapat terjadi secara kenyataan. Sebagaimana pemberiaan kredit merupakan salah satu bentuk usaha yang dilakukan dalam dunia perbankan.

Selain menggunakan metode ARIMA, dalam penelitian ini juga akan menggunakan metode VAR (Vector Autoregresive) yang merupakan Sebagian besar model ekonometrika deret waktu adalah dibangun berdaarkan teori yang ada, dengan kata lain teori ekonomi yang menjadi dasar dalam mengembangkan hubungan antar peubah pada model. Model ini disebut juga model struktural atau teoritis, dan estimasinya dapat memberikan informasi yang numerik dan sekaligus alat untuk menguji teori yang ada. Namun sering kali teori ekonomi belum mampu menemukan spesifikasi yang tepat untuk model. Hal ini disebabkan teori ekonomi yang ada terlalu kompleks, sehingga perlu dilakukan penyederhanaan dalam model atau sebaliknya fenomena yang ada terlalu kompleks sehingga tidak cukup dijelaskan dengan teori yang ada.

Jika data yang digunakan dalam analisis adalah deret waktu, model Vector Autoregresive (VAR) menawarkan alternatif permodelan sebagai jalan keluar persoalan tersebut. Model VAR disebut sebagai model non-struktural atau model yang tidak teoritis.

Hubungan antar peubah didalam suatu sistem dinamis tidak dapat dijelaskan dalam persamaan tunggal yang statis, melaikan harus beberapa persamaan yang bersifat dinamis dan saling mempengaruhi. misalnya inflasi

(INF) pada priode t dipengaruhi tingkat suku bunga Jakarta Interbank Offered Rate (JIBOR)

Dengan demikian itu merupakan suatu perbedaan metode antara ARIMA dan VAR, dimana model ARIMA tidak memandang hubungan yang timbal balik dari variabel tersebut. Model ARIMA hanya meramalkan data berapa bulan atau tahun kedepan, sedangkan medel VAR perlunya adanya hubungan yang searah atau timbal balik dalam meramalkan permintaan kredit beberapa bulan kedepan atau tahunnya. Untuk menguji kedua metode tersebut mana yang lebih efektif dalam melakukan peramalan permintaan kredit di indonesia maka perlu di lakukan pengkajian lebih lanjut dengan metode yang akan digunakan.

1.2.Perumusan Masalah

Masalah yang akan dibahas dalam penelitian ini adalah menentukan metode yang terbaik dalam memproyeksikan permintaan kredit, apakah metode ARIMA atau VAR.

1.3.Tujuan Penelitian

Tujuan dari penelitian yang dilakukan adalah:

1.Untuk mengetahui tingkat permintaan kredit pada masa yang akan datang serta dapat memprediksikannya.

2.Dengan kedua metode yang dilakukan antara ARIMA dan VAR dapat membandingkan metode mana yang terbaik dalam memprediksi permintaan kredit di Indonesia.

3.Dengan melakukan peramalan melalui metode yang ada dapat mengindikasikan kepada pihak perbankan Indonesia untuk melakukan kebijakannya dimasa yang akan datang,agar peramalan yang dilakukan dapat terealisasi secara nyata.

4.Dengan metode peramalan yang dilakukan dapat diketahui seberapa besar pengaruh permintaan kredit terhadap kondisi ekonomi pada masa akan datang terutama pada pertumbuhan ekonomi, dengan meningkat atau menurunnya permintaan kredit dimasa yang akan datang mengidikasikan kondisi ekonomi mengalami pertumbuhan atau penurunan (resesi)

1.4.Manfaat Penelitian

1.Sebagai informasi kepada perbankan Indonesia terhadap permintan kredit di Indonesia untuk mempersiapkan diri dalam menghadapi tingkat permintaan kredit tersebut.

2.Sebagai suatu pengetahuan yang konkret dan yang terbaik dalam melakukan peramalan kredit di Indonesia serta sebagai alat kebijakn untuk maa yang akan datang.

3.Sebagai suatu tindakan yanga harus dilakuakan oleh pihak perbankan dalam mengambil keputusan dalam jangka panjang dengan mengetahui informasi dari peramalan yang dilakukan tersebut.

4.Dengan metode peramalan yang dilakukan dapat sebagai alat tolak ukur perbankan dalam mengabil kebijakan dalam menetapkan suku bunga kredit agar permintaan kredit meningkat, karena dalam penelitian ini menggunakan variabel suku bunga dan inflasi yang sangat mempengaruhi permintaan kredit, agar

permintaan kredit meningkat seiring pertumbuhan ekonomi meningkat sesuai bekerjanya sektor ekonomi disebabkan tersalurnya dana kepada masyarakat.

BAB II

TINJAUAN PUSTAKA DAN URAIAN TEORITIS 2.1.Pengertian Kredit

Pemberian kredit adalah suatu usaha yang diberikan oleh pihak bank kepada nasabahnya serta sebagai sumber pendapatan utama bank yang terbesar, serta sumber resiko yang terbesar yang diberikan kepada badan perorangan maupun badan usaha.

Kredit berasal dari bahasa latin yaitu credere yang berarti percaya atau to believe atau to trust, oleh karena itu dasar pemikiran kredit itu berdasarkan kepercayaan yang diberikan oleh pihak perbankan kepada badan perorangan atau badan usaha dengan perjanjian yang dilakukan oleh pemberi kredit dan penerima biak dalam hal angsuran maupun bunga.

2.2.Unsur unsur Kredit

a.Waktu, yang menyatakan bahwa ada jarak antara persetujuan pemberian kredit dan pelunasanya.

b.Kepercayaan, yang melandasi pihak kreditur kepada debitur,bahwa setelah jangka waktu tetentu debitur akan mengembalikan sesuai kesepakatan oleh kedua belah pihak.

c.Penyerahan, yang menyatakan bahwa pihak kreditur menyerahkan uang kepada pihak debitur yang harus dikembalikan setelah jatuh tempo.

d.Resiko, yang mungkin timbul sepanjang jarak pemberian kredit dan pelunasanya.

e.Persetujuan, yang menyatakan kesepakatan antara kreditur dan debitur dalam suatu perjanjian.

2.3.Penilaian Pemberian Kredit

Penilai pemberian kredit dengan pendekatan 5C antara lain sebagai berikut:

a.Character (watak)

yaitu penilaian atau analisis yang dilakukan untuk mengetahui sifat dan sikap dari calon debitur. Hal ini dilakukan agar debitur bisa memenuhi kewajiban kewajibannya.

b.Capacity (kapasitas)

Untuk mengethui kemampuan manajemen perusahaan dalam mengoperasikan perusahaannya sehinga dapat memenuhi kewajibannya secara rutin pada saat jatuh tempo. Hal yang perlu diketahui oleh pihak bank, apakah perusahaan yang diberikan kredit dapat memasarkan produksinya dengan baik....?,

Kemampuan teknologi debitur, kemampuan calon debitur dalam mencegah kegagalan dalam berproduksi.

c.Capital (modal)

dalam pendekatan ini seberapa jauh ketersedian modal yang disetor oleh perusahaan, cadangan cadangan dan laba yang ditahan dalam struktur keuangan perusahaan. Untuk mencegah resiko yang mungkin terjadi dalam kemacetan pembayaran kewajiban debitur oleh karena itu perlu melakukan pendekatan ini. d.Condition (kondisi)

Penilaian ini dilihat dari sisi makro yang melingkupi perusahaan atau kebijakan pemerintah, baik perusahaan nasional maupun internasional. Variabel yang diperhatikan adalah variabel ekonomi.

e.Collateral (jaminan)

Penilaian yang dilakukan terhadap jaminan debitur sebagai jaminan daripada jumlah kredit yang diberikan oleh bank, yang bermanfaat pada masa yang akan datang, apabila terjadi kredit macat pihak bank akan mudah mengkonversikannya menjadi uang pada waktu yang ditentukan.

Selain konsep 5C bank juga melakukan penilaian pemberian kredit melalui konsep 5P antara lain sebagai berikut:

a.People

Yaitu penilaian pemberian kredit melalui calon debitur dilihat dari mitra usahanya, orangnya/lembaga yang menjamin debitur, yang sangat penting dalam menunjang kegiatan usaha kreditur.

b.Purpose

Penilaian terhadap maksud permohonan kredit dari calon debitur agar penggunaan jumlah atau jenis kredi tersebut dapat terarah, aman, produktif serrta membawa manfaat bagi pengusaha, masyarakat, bank dan otoritas moneter.

c.Payment

sejauh mana pihak debitur dapat melunasi kewajiban kewajibanya angsuran pokok besrta bunganya, hal ini berkaitan arus kas perusahaan dan variabel yang mempengaruhinya sehingga akan lebih jelas, apakah perusahaan

d.Protection

Bila perusahaan mengalami kegagalan atau macat dalam pembayarannya pihak bank sudah terlindungi dari kesulitan kreditnya, bank sudah mempunyai alternatif dalam penyelesaian kreditnya dengan agunan yang dikuasai beserta pengikatan yuridis sesuai ketentuan yang berlaku.

e.Perspective

posisi usaha kreditur pada masa yang akan datang,mampu mengikuti kondisi ekonomi, keuangan dan fiskal.

Penilaian kredit merupakan salah satu proses kegiatan untuk memberikan kredit yang sangat penting dalam menentukan keberhasilan kredit tersebut untuk memenuhi kewajaibanya. Namun dengan kelima konsep tersebut dalam analisa kredit, aspek hukum mempunyai kedudukan yang strategis yang merupakan hal yang terpenting dari aspek lainnya, karrena walaupun aspek yang lainnya sudah terpenuhi namun secara hukum tidak sah, maka semua ikatan debitur dan kreditur bisa gagal,pada akhirnya mengalami kesulitan dalam penyelesaiannya.

2.4.Pengenalan ARIMA

ARIMA (Aoturegesive Integreted Moving Avarege) pertama kali dikembangkan oleh George Box dan Gwilym jenkins yang disebut ARIMA Box-jenskin. Metode ini merupkan penggabungan dari metode penghalusan, metode regresi, dan metode dekomposisi. Model ini juga digunakan bila datanya tersdia dalam jumlah yang cukup besar sehingga sehingga membentuk runtut waktu yang yang cukup panjang. Dalam menggunakan metode ARIMA datanya harus stasioner, kestasioneran data diperiksa dengan analisis otokorelasi dan otokorelasi

parsial, data yang stasioner yaitu data yang rata-rata dan variansnya relatif konstan dari priode ke priode, jadi sebelum dilanjutkan datanya harus stasioner.

2.5.Model ARIMA

Dalam penelitian ini model yang digunakan adalal model ARIMA dengan menggunakan data kredit secara bulanan mulai tahun 2004 sampai tahun 2012. Untuk menguji kemempuan memprediksi dari metode ARIMA yang dilakukan maka akan dibandingkan dengan output proyeksi dari model dengan data yang aktual. Pengelolaan data yang dilakukan dengan software eviews.

Beberapa langkah yang dilakukan dalam pembetukan model ARIMA yaitu (Nochrawi etal, 2006)

Langkah pertama adalah identifikasi model yang meliputi identifikasi data yang stasioner dan identifikasi data ordo ARIMA, agar data dapat dimodelkan maka data tersebut harus stasioner. Untuk melakukan pendugaan agar data stasioner maka kita bisa melakukan dua cara yaitu:

1.Dengan melihan trendnya dalam grafik 2.Menggunakan correlogram

Dengan melihat grafik tersebut kita bisa menduga tentang kestasioneran data,untuk lebih yakin lagi kita bisa melakukan dengan correlogram.Dengan menggunakan correlogram maka kita cari apakah data tersebut stasione pada level 1st difference atau 2nd difference. Difference adalah menghitung perubahan atau selisih nilai observasi.Jika data tidak stasioner pada level, maka pelu diketahui apakah data sales pada stasioner 1st difference atau 2nd difference agar dapat

(ACF) setelah time lag 2 atau 3 akan menuju nol. Kestasioneran data itu sangat diperlukan dalam keberlangsungan metode ARIMA, pada tahap identifikasi akan dientukan lag AR dan MA yang sesuai dengan bantuan korelogram otokorelasi

dan korelogram otokorelasi partial.

Langkah kedua menentukan ordo maksimal AR(p) dan MA(q), untuk melkukan ordo maksimal AR(p) dan ordo maksimal MA (q) dapat dilihat banyaknya koefisien autokorelasi yang signifikan berbeda dari nol. Untuk menentukan ordo maksimal AR(p),kita melihat dari garis partial autocorelation sedangkan untuk menentukan ordo maksimal MA(q), kita melihat garis autocorelation.

Langkah ketiga adalah dianogtic checking dan pemilihan model yang terbaik, setelah model ARIMA ditentukan maka dipilih model yang cocok dengan data. Model yang cocok dengan data di indikasikan dengan mengamati apakah residual dari model terestimasi merupakan white noise atau tidak.

Langkah keempat tahap peramalan model ARIMA berdasarkan pada model AR dan MA.

Model AR(p)

Yt = αo+α1Yt-1+α2Yt-2+α3Yt-3+...+αpYt-p+et

Model MA

Model ARMA (p,q)

Yt = γo+α1Yt-1+α2Yt-2+α3Yt-3+...+αpYtp-β1et-1-β2et-2-β3et-3-...-βqet-q+et

Misal model ARIMA (2,1,2) dengan ordo differencing=1

ARMA (2,2) :Yt = γo+α1Yt-1+α2Yt-2-β1et-1-β2Yt-2+et

ARIMA (2,1,2) :Yt-Yt-1 = γo+α1(Yt-1-Yt-2)+α2(Yt-2-Yt-3)-β1et-1-β2et-2+et

2.6.Pengenalan (VAR)

Sebagian besar model ekonometrika deret waktu adalah dibangun berdaarkan teori yang ada, dengan kata lain teori ekonomi yang menjadi dasar dalam mengembangkan hubungan antar peubah pada model. Model ini disebut juga model struktural atau teoritis,dan estimasinya dapat memberikan informasi yang numerik dan sekaligus alat untuk menguji teori yang ada. Namun sering kali teori ekonomi belum mampu menemukan spesifikasi yang tepat untuk model. Hal ini disebabkan teori ekonomi yang ada terlalu kompleks, sehingga perlu dilakukan penyederhanaan dalam model atau sebaliknya fenomena yang ada terlalu kompleks sehingga tidak cukup dijelaskan dengan teori yang ada.

Jika data yang digunakan dalam analisis adalah deret waktu,model Vector Autoregresive (VAR) menawarkan alternatif permodelan sebagai jalan keluar persoalan tersebut.Model VAR disebut sebagai model non-struktural atau model yang tidak teoritis.

Hubungan antar peubah didalam suatu sistem dinamis tidak dapat dijelaskan dalam persamaan tunggal yang statis, melaikan harus beberapa persamaan yang bersifat dinamis dan saling mempengaruhi. Misalnya Inflasi (INF) pada priode t dipengaruhi tingkat suku bunga Jakarta Interbank Offered Rate (JIBOR) pada waktu t dan suku bunga SBI pada waktu t-1 model regresinya dapat dirumuskan sebagai berikut:

INF = α1+α2JBR+α3INFt-1+e1t...(1.1)

Disisi lain INF mempengaruhi pergerakan JBR pada masa yang akan datang sehingga dapat dirumuskan sebagai berikut:

JBR= β1+β2INFt-1+β2JBR+e2t...(1.2)

Dari persamaan 1.1 dan 1.2 menunjukkan adanya hubungan yang bersifat dinamis atau saling mempengaruhi antara INF dan JBR, kedua persamaan tersebut dapat disederhanakan dengan menyebsitusi persamaan 1.2 kepersamaan 1.1 yaitu:

INF1 = α1+α2 (β1+β2INF+β3JBRt-1+e2t) + α3INFt-1+e1t...(1.3)

= (α1+α2β1)+(α3+α2β2)INFt-1+α2β3JBRt-1+(α2e2t+e1t)

Atau bisa ditulis dalam bentuk yang sederhana sebagai berikut:

INFt = α11+α12INFt-1+α13JBRt-1+ѵ1t...(1.4)

Dengan melakukan subsitusi dar persamaan (1.1)dan (1.2) juga akan diperoleh persamaan berikut:

JBRt = α1+α2INFt-1+α3JBRt-1+ѵ2t...(1.5)

Dengan memperhatikan model diatas maka deret waktunya menuntut kestasioneran data oleh karena itu data yang akan dimasukkan ke model VAR haruslah data yang staioner. Seringkali untuk persyaratan ini dilakuakan transformasi data atau melakukan proses deferensiasi (pembedaan).

2.7.Kelebihan dan Kelemahan VAR

Kelebihan analisis VAR sebagai berikut:

1.Model VAR memiliki model yang sederhana dan tidak perlu embadakan mana variabel yang eksogen dan mana variabel endogan. Seluruh variabel penelitian dianggap variabel endogen.

2.Etimasi model VAR sangat mudah yaitu dengan menggunakan OLS

3.Peramalan yang menggunakan model VAR lebih mudah dibandingkan dengan model persamaan simultan yang lebih kompleks.

Kelemahan Analisis VAR

1.Model VAR merupakan model yang atheoritic atau tidak berdasarkan teori hal ini tidak persamaan simultan. Pada persamaan simultan, pemilihan variabel yang akan dimasukkan dalam persamaan memegang peranan penting dalam mengidentifikasi model.

2.Pada medel VAR, penekananya terletak pada peramalan sehingga model ini kurang cocok digunakan dalam menganalisis kebijakan.

3.Permasalahan yang besar dalam model VAR adalah pada pemilihan (lag length) panjang lag yang tepat. Oleh karena semakin penjang lag, jumlah parameter yang akn bermasalah pada drajat bebas akan bertambah.

4.Variabel yang tergabung pada model VAR harus stasioner. Apabila tidak stasioner,perlu dilakukan transformasi bentuk data, misalnya melalui first difference.

5.Sering ditemui kesulitan dalam menginterpretasi setiap koefisien pada estimasi model VAR sehingga sebagian besar peneliti melakukan interpretasi pada estimasi IRF dan variance decompotition.

Dengan dua model yang dilakukan yaitu ARIMA dan VAR dalam memprediksi permintaan kredit di Indonesia melalui pendekatan tersebut akan dibuktikan, bagaimana tingkat permintaan kredit pada masa yang akan datang yang sangat mempengaruhi suatu prekonomian indonesia. Disisi lain pada dunia perbankan permintaan kredit merupakan suatu pendapatannya yang sangat mempengaruhi Return On Asset (ROA), melalui metode peramalan yang dilakukan sangat membantu untuk melakukan kebijakan perbankan dimasa yang akan datang, untuk meredam gap antara kredit dan kewajiban bank tersebut.

BAB III

METODE PENELITIAN

Metode yang digunakan adalah metode deskriptif lebih tepatnya Riset Kecenderungan (trend analysis) yang merupakan suatu penelitian bertujuan untuk melihat kondisi yang akan datang dengan melakukan proyeksi atau peramalan. Peramalan yang dilakukan dengan metode ARIMA dan VAR dengan data yang runtut waktu untuk memprediksi permintaan kredit di masa yang akan datang. Metode peramalan yang akan dilakukan harus menggunakan beberapa langkah yang akan dilakukan agar data tersebut stasioner dan signifikan dalam penelitian. Metode tersebut yang akan dilakukan sebagai berikut:

3.1.Metode ARIMA (AoturegesiveIntegreted Moving Avarege)

Metode ARIMA (Box-Jenkins) adalah metode peramalan yang tidak menggunakan teori atau pengaruh antar variabel seperti model regresi, sehingga metode ini tidak memerlukan penjelasan mana variabel bebas dan mana variabel terikat. Metode ini tidak juga memerlukan pola data seperti times series decomposition, artinya data yang akan diprediksi tidak perlu dibagi menjadi komponen trend, musiman, siklis, atau acak. Metode ini secara murni melakukan prediksi berdasarkan data data historis yang ada.

ARIMA merupakan suatu metode yang menghasilkan ramalan berdasarkan sintesis dari pola data secara historis (Arsyad, 1995). Variabel yang

Metode ARIMA dinotasikan (p,d,q)

Dimana

P : orde atau derajat autoregresive(AR)

D : orde atau derajat defferencing (pembeda) dan

Q : orde atau derajat moving avarage (MA)

Dan untuk medel ARIMA musiman di notasikan sebagai berikut:

(p,d,q) (P,D,Q)S,dengan:

(p,d,q) merupakan bagian yang musim dari model

P : orde atau derajat autoregresive (AR)

D : orde atau derajat differencing (pembeda)dan

Q : orde atau derajat moving average (MA)

3.2.Klasifikasi Model ARIMA (Box-Jenkins)

Model ini di bagi tiga yaitu model autoregresive (AR), moving avarege

(MA), dan model penggabungan ARIMA (autoregresive moving averege) yang mempunyai karakteristik dari dua model pertama (Hendranata, 2003)

1.Model Autoregresive (AR)

Yt = αo+α1Yt-1+α2Yt-2+α3Yt-3+...+αpYt-p+et

Dimana:αo=konstanta

α1Yt-1+α2Yt-2+α3Yt-3 = parameter autoregresive (p )

αpYt-p+et = error term pada saat t 2.Model Moving Averege (MA)

Bentuk dari moving averege (MA) ber ordo q sebagai berikut:

Yt = βo+et-β1et-1-β2et-2-β3et-3...-β1et-q

Dimana: βo=konstanta

et-β1et-1-β2et-2-β3et-3 = parameter moving averege

β1et-q = error term pada saat t-q

3.Model Campuran

a.Proses ARMA

Model umum bentuk campuran AR dan MA (p,q) sebagai berikut:

Yt = γo+α1Yt-1+α2Yt-2+α3Yt-3+...+αpYtp-β1et-1-β2et-2-β3et-3-...-βqet-q+et

b.Proses ARIMA

Persamaan dari model ARIMA adalah sebagai berikut:

ARMA (2,2) :Yt = γo+α1Yt-1+α2Yt-2-β1et-1-β2Yt-2+et

ARIMA (2,1,2) :Yt-Yt-1 = γo+α1(Yt-1-Yt-2)+α2(Yt-2-Yt-3)-β1et-1-β2et-2+et

3.3 Tahapan Metode ARIMA

Tahapan metode ARIMA ada beberapa langkah untuk menyelesaikan data time series tersebut,apakah dengan proses AR murni (p,0,0) atau MA murni (0,0,q) atau ARMA (p,0.q) atau proses ARIMA (p,d,q). Adapun langkah langkah yang harus dilakukan sebagai berikut:

1.Identifikasi model

2.Penaksiran parameter

3.Pemeriksaan diagnoatic

Penggunaan model untuk peramalan Berikut flowchart tahapan metode ARIMA (Box-Jenkins)

Suatu tahapan dalam model ARIMA gambar flowchart (Box-jenkins)

3.3.1.Uji Stasioner

Suatu data yang runtun waktu bisa dikatakan stasioner jika nilai rata ratanya tidak berubah. Langkah pertama yang harus dilakukan adalah menghitung autokorelasi dari deret data yang asli. Apabila data tersebut turun dengan cepat mendekati nol setelah nilai kedua dan seterusnya bahwa data tersebut.

menandakan datanya stasioner di dalam bentuk aslinya. Apabila data yang digunakan melalui ARIMA tidak stasioner,perlu dilakukan modifikasi untuk menghasilkan data yang stasioner, salah satu cara yang dilakukan adalah dengan pembeda (defferencing) yaitu mengurangi data suatu priode dengan nilai data

Rumusan model umum dan uji stasioner data

Identifikasi model tentatif (sementara) dengan memilh (p,d,q)

Estimasi parameter model

Pemeriksaan (uji) diagnosa apakah model memadai ?

tidak

Metode Box-Jenkins hanya dapat diterapkan, dijelaskan atau mewakili data yang stasioner atau setelah defferencing, sebab data yang stasioner tidak memiliki unsur trend, maka yang ingin dijelaskan dengan metode ini adalah unsur sisanya.

Apabila data tidak stasioner perlu dilakukan pembeda pertama, untuk tujuan praktis suatu maksimum dari dua pembedaakan mengubah data menjadi deret stasioner.

3.3.2.Identifikasi Model

Langkah selanjutnya setelah data stasioner maka yang akan dilakukan adalah menetapkan model ARIMA yang cocok (tentatif) dan menetapkan p,d,q

jika yang dilakukan tanpa pembedaan (defferencing) maka diberi 0, dan jika melalui pembedaan diberi 1 dan seterusnya.

Pada identifikasi model datanya yang telah stasioner maka yang akan digunakan adalah sebagai berikut:

a.ACF (Autocorrelation function) yaitu fungsi yang menunjukkan besarnya korelasi antara pengamatan antara pada waktu t dengan pengamatan pada waktu sebelumya.

b.PACF (Partial Autocorrelation function) yaitu fungsi yang menunjukkan besarnya korelasi parsial antara pengamatan pada waktu ke t dengan pengamatan pada waktu sebelumya.

Dalam memilih berapa p dan q dapat dibantu dengan mengamati fungsi autocorrelation dan partial autocorrelation (autocorrelogram) dengan series yang dipelajari dengab acuan sebagai berikut:

Tabel 3.1.Pola Autokorelasi dan Autokorelasi Parsial

Autocorrelation Partial autocorrelation ARIMA

tentative

Menuju nol setelah lag Menurun,secara bertahap/bergelombang

ARIMA (0,d q)

Menurun,secara

bertahap/bergelombang

Menuju nol setelah lag q

ARIMA (p,d,0)

Menurun secara bertahap/bergelombang

sampi lag q

Masih berbeda dari nol

Menurun,secara

bertahap/bergelombang (sampai lag q dan masih berbeda dengan nol)

ARIMA (p,d.q)

Pada umumnya peneliti harus mengidentifikasi autokorelasi secara eksponensial menjadi nol, jika autokorelasi melemah menjadi nol maka terjadi proses AR. Dan apabila autokorelasi parsial melemah secara eksponensial berarti terjadi proses MA. Jika keduanya terjadi berati terjadi proses ARIMA, (Arsyad,1995).

3.3.3.Penaksiran Parameter Model

Setelah berhasil menetapkan menetapkan identifikasi model sementara, selanjutnya parameter-parameter AR dan MA, musiman dan tidak musiman harus ditetapkan dengan cara yanr terbaik, terdapat dua cara untuk mendapatkan

parameter-parameter terbaik dalam mencocokkan deret berkala yang akan di modelkan (Makridakis, 1999) yaitu sebagi berikut:

a.Dengan cara mencoba coba menguji beberpa nilai yang berbeda dan memilih satu nilai tersebut (sekumpulan nilai, apabila terdapat lebih dari satu parameter yang akan ditaksir) yang meminimumkan jumlah kuadrat sisa (sum of squared residuals)

b.Perbaikan secara iteratif memilih taksiaran awal dan kemudian membiarkan program memperhalus penaksiran tersebut.

3.3.4.Uji Diagnostic

Pada tahap ini dilakuakan pengujian terhadap residual model yang diperoleh, model yang baik memiliki sifat yang rendom (white noise). Analisis residual dilakukan dengan korelogram, baik melalui ACF maupun PACF. Jika koefisien ACF maupun PACF secara individual tidak signifikan, residual yang didapatkan bersifat rendom. Jika residual tidak rendom harus kembali ketahap sebelumnya untuk memilih model yang lain. Pengujian signifikansi ACF dan PACF dapat dilakuakan uji dari Barlett, Box dan Pierce maupun Ljung Box

3.3.5.Peramalan dengan Model ARIMA

Apabila model sudah memadai maka akan dilakukan peramalan dan apabila belum memadai maka harus ditetapkan model yang lain. Untuk mengavaluasi kesalahan peramalan bisa menggunakan Root Mean Squares

error (RMSE) Mean Absolut Error (MAE) atau Mean Absolute Porcengtage Error (MAPE). Semua teknik yang dilakukan adalah untuk mengukur tingkat kesalahan.

3.4.Pengertian Model Vector Autoregresive (VAR)

Hubungan antar peubah didalam suatu sistem dinamis tidak dapat dijelaskan dalam persamaan tunggal yang statis, melaikan harus beberapa persamaan yang bersifat dinamis dan saling mempengaruhi. misalnya inflasi (INF) pada priode t dipengaruhi tingkat suku bunga Jakarta Iinterbank Offered Rate (JIBOR) pada waktu t dan suku bunga JBR pada waktu t-1 model regresinya dapat dirumuskan sebagai berikut:

INF = α1+α2SBI+α3INFt-1+e1t...(1.1)

Disisi lain INF mempengaruhi pergerakan JBR pada masa yang akan datang sehingga dapat dirumuskan sebagai berikut:

SBI = β1+β2INFt-1+β2JBRt-1+e2t...(1.2)

Dari persamaan 1.1 dan 1.2 menunjukkan adanya hubungan yang bersifat dinamis atau saling mempengaruhi antara INF dan SBI, kedua persamaan tersebut dapat disederhanakan dengan menyebsitusi persamaan 1.2 kepersamaan 1.1 yaitu:

= (α1+α2β1)+(α3+α2β2)INFt-1+α2β3JBRt-1+(α2e2t+e1t)

Atau bisa ditulis dalam bentuk yang sederhana sebagai berikut:

INFt = α11+α12INFt-1+α13JBRt-1+ѵ1t...(1.4)

Dengan melakukan subsitusi dar persamaan (1.1) dan (1.2) juga akan diperoleh persamaan berikut:

JBRt = α1+α2INFt-1+α3JBRt-1+ѵ2t...(1.5)

Dengan memperhatikan model diatas maka deret waktunya menuntut kestasioneran data oleh karena itu data yang akan dimasukkan ke model VAR haruslah data yang staioner. Seringkali untuk persyaratan ini dilakuakan transformasi data atau melakukan proses deferensiasi (pembedaan).

3.5.Bentuk bentuk Model VAR

Secara umum terdapat tiga bentuk model VAR yaitu:

a.Unrestricted VAR adalah bentuk VAR terkait persoalan kointegrasi dan hubungan teoritis, jika data yang digunakan dalam pemodelan VAR adalah data yang stasioner pada level. Bentuk VARyang digunakan adalah unrestricted VAR.

b.Restricted VAR atau disebut Vector Error Correction Model (VECM),yaitu bentuk VAR yang teristeriksi. Restriksi diberikan karena data tidak stasioner namun terkointegrasi. Spesifikasi VECM merestriksi hubungan jangka panjang

peubah-peubah endogen agar konvergen kedalam kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek. Istilah Vector Error Correction Model (VECM) digunakan karena adanya koreksi secara bertahap melalui penyesuaian jangka pendek terhadap deviasi long run equilibrium model.

c.Struktural VAR merupakan bentuk VAR yang direstriksi berdasarkan hubungan teoritis yang kuat dan skema ordering (urutan) peta hubungan terhadap peubah-peubah yang digunakan dalam model VAR. Olehh karena itu S-VAR juga dikenal sebagai bentuk VAR yang teoritis (thorical VAR).

3.6.Etimasi Model VAR

Seperti halnya model VAR merupakan sistem persamaan simultan, namun mengingat peubah yang bebas yang ada disemua persamaan sama maka estimasi dapat dilakukan dengan menerapkan metode OLS terhadap setiap persamaan.

Jika peubah bebas yang ada di suatu persamaan berbeda dengan persamaan lainya, persoalanya berubah menjadi near VAR. Pada kasus ini bisa digunakan estimasi parameter model dengan metode SUR (Seemingly Unrelated Regression)

Hal penting lainya dalam estimasi model VAR (p) adalah penentu lag atau penentu dalam sistem VAR. Lag yang optimal diperlukan dalam rangka

menangkap pengaruh dari setiap peubah terhadap peubah lainya dalam sistem VAR.

Dalam penentuan lag optimal, dapat ditentukan dengan menggunakan beberapa kriteria,yaitu LR (Sequential modified Likelihood Ratio test Statistic), AIC (Akaike Information Criterion), SC(Schwarz Information Criterion), FPE (Final Prediction Error), dan HQ (Hannan-Quinn informationcriterion).

Kriteria pemilihan lag optimal adalah pada LR yang terbesar atau pada AIC, SC, FPE, dan HQ bernilai kecil,agar kriteria dapat dibandingkan untuk berbagai lag maka banyaknya observasi yang digunakan dalam setiap model VAR yang dibadingkan haruslah sama.

3.7.Analisi dalam Model VAR

Terdapat beberapa analisis penting dalam medel VAR. Empat diantaranya yang umum dilakuakn adalah sebagai berikut:

1.Peramalan

2.Impulse response

3.Forecat error decompotition variance

4.Uji kausalitas

3.7.1.Peramalan

peramalan (forecasting), khususnya untuk proyeksi atau peramalan jangka pendek (short term forecast). Sebelum untuk peramalan biasanya digunakan simulasi untuk mencocokkan data aktual dengan nilai fited value nya. Simulasi pada dasarnya memiliki dua teknik, yaitu teknik simulasi statis dan dinamis. Simulasi statis dilakuakan dengan hanya menggunakan persamaan secara sendiri sendiri. Simulasi dinamis menggunakan semua persamaan yang ada dalam VAR secara simultan. Sesuai dengan tujuan model VAR bahwa diantara peubah-peubahnya terjadi interaksi, maka simulasi yang relevan yang digunakan adalah simulasi dinamis.

3.7.2.Impulse Response

Model VAR juga dapat digunakan untu melihat dampak perubahan dari satu peubah dari sistem terhadap peubah lainnya dalam sistem secara dinamis. Caranya adalah dengan memberikan guncangan (shock) pada salah satu peubah endogen. Guncangan yang diberikan biasanya sebesar satu standar deviasi dari peubah tersebut (biasanya disebut Innovation). Penelusuran pengaruh guncangan sebesar satu standar deviasi yang dialami oleh satu peubah didalam sistem terhadap nilai-nilai peubah saat ini dan beberapa priode mendatang disebut sebagai teknik Impulse Response Function (IRF)

Werbeek (2000) telah membuktikan bahwa untuk setiap model VAR (p) dapat ditulis dalam bentuk Vector Moving Average (VMA), yakni untuk model VAR (p) dapat ditulis dalam bentuk model VMA berikut:

Yt = μ+νt+A1νt-1+A2νt-2+Apνt-p...(1.11)

Jika vector ѵt naik sebesar d, maka dampak terhadap Yt+s (untuk S˃0) diberikan oleh ASd. Oleh karena itu matriks

At = ðŷ

Analisis FEDV dalam model VAR bertujuan untuk memprediksi kontribusi presentase varian setiap peubah karena adanya perubahan peubah

t+s...(1.12) ðą

Merupakan dampak kenaikan satu unit νit terhadap Yj.t+s dampak tersebut di plot dengan s (untuk S > 0). Inilah yang disebut IRF.

Untuk memberikan ilustrasi yang sederhana,perhatiakanlah model VAR berikut:

Yt = A11Yt-1+a12Xt-1+ν1t

Xt = A21Yt-1+a22Xt-1+ν2t...(1.13)

Adanya guncangan pada priode t pada persamaan Y yakni perubahan pada νit dengan segera akan memberikan dampak one for one Yt, tetapi belum berdampak pada xt pada priode t+1, perubahan akibat νit tersebut akan berdampak pada xt melalui yt-1 dan xt-1. Dampak itu terus berlanjut pada priode

t+2 dan seterusnya. Jadi, perubahan ν1t akan mempunyai dampak berantai dari

priode t,t+1,t+2,..., t+s terhadap semua variabel dan model. Dampak yang berantai inilah yang disebut impulse response.

tertentu dalam sistem VAR. Pada analisis impulse response sebelumnya digunakan untuk melihat dampak guncangan dari suatu peubah terhadap peubah lainya, dalam analisis FEDV digunakan untuk menggambarkan relatif pentingnya setiap peubah dalam sistem VAR karena adanya shock.

3.7.4Uji Kausalitas

Persamaan regresi yang dibangun lebih memusatkan perhatian pada hubungan satu arah. Dalam kenyataanya, prilaku peubah ekonomi tidak hanya mempunyai hubugan satu arah, tetapi juga menunjukkan hubungan dua arah yang dikenal dengan konsep kausalitas.

Uji kausalitas adalah pengujian untuk menentukan sebab akibat antara peubah dalam sistem VAR. Hubungan sebab akiabt ini dapat menggunakan uji kausalitas Ganger. Model kausalitas Granger dapat ditulis sebagai berikut:

Untuk menyelesaikan persamaan (2.11) dan (2.12) Granger membentuk empat model regresi sebagai berikut:

•Persamaan untuk menguji apakah X yang mempengaruhi Y:

Restricted:

•Persamaan untuk menguji apakah Y mempengaruhi X:

Unrestricted:

Restricted:

Prosedur pengujian baik pada pasangan (2.13) dan (2,14) maupun pada pasangan (2.15) dan (2.16) menggunakan uji F. Nilai F hitung menggunakan rumus sebagai berikut:

Di mana

RSSR : Residual sum of squares persamaan restricted

RSSUR : Residual sum of squares persamaan unrestricted

∑ : Jumlah observasi

K : Jumlah parameter estimasi pada persamaan unrestricted

Kriteria pengujian jika nilai F hitung > F tabel(α), tolak Ho berarti terdapat pengaruh yang signifikan secara statistik

BAB IV PEMBAHASAN

4.1.Uji Stasioner

Suatu data yang runtun waktu bisa dikatakan stasioner jika nilai rata ratanya tidak berubah. Langkah pertama yang harus dilakukan adalah menghitung autokorelasi dari deret data yang asli. Apabila data tersebut turun dengan cepat mendekati nol setelah nilai kedua dan seterusnya bahwa data tersebut menandakan datanya stasioner di dalam bentuk aslinya. Apabila data yang digunakan melalui ARIMA tidak stasioner, perlu dilakukan modifikasi untuk menghasilkan data yang stasioner,salah satu cara yang dilakukan adalah dengan pembeda (defferencing) yaitu mengurangi data suatu priode dengan nilai data sebelumnya.

Metode Box-Jenkins hanya dapat diterapkan, dijelaskan atau mewakili data yang stasioner atau setelah defferencing, sebab data yang stasioner tidak memiliki unsur trend, maka yang ingin dijelaskan dengan metode ini adalah unsur sisanya.

Apabila data tidak stasioner perlu dilakukan pembeda pertama, untuk tujuan praktis suatu maksimum dari dua pembedaakan mengubah data menjadi deret stasioner. Untuk itu dapat dilihat dengan grafik dibawah ini untuk mendeteksi data yang stasioner dan autocorrelogram pada difference berapakah data tersebut stasioner. Untuk itu dapat dilihat grafik di bawah ini kesetasioneran data tersebut.

Dari grafik kredit diatas terlihat bahwa data kredit memiliki trend menaik, jika data memiliki trend dugaan pertama data tidak stasioner. Maka dilanjutkan

20

30

40

50

60

70

05

06

07

08

09

10

11

12

dengan uji integrasi atau autocorrelogram dan autocorrelogram parsial, dengan melihat data stasioner pada difference berapa data tersebut stasioner. maka akan dilakukan pengujian difference pertama dan difference kedua untuk melihat pada level berapakah data tersebut stasioner. Maka dari itu dapat dilihat data yang stasioner dibawah ini.

Tabel 4.1 Uji Akar-akar unit Periode Januari 2005 s/d Desember 2012

Null Hypothesis: KREDIT has a unit root Exogenous: Constant, Linear Trend

Lag Length: 1 (Automatic based on SIC, MAXLAG=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.560346 0.0389

Test critical values: 1% level -4.058619

5% level -3.458326

10% level -3.155161

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(KREDIT) Method: Least Squares

Date: 07/22/13 Time: 00:48 Sample(adjusted): 2005:03 2012:12

Included observations: 94 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

KREDIT(-1) -0.340700 0.095693 -3.560346 0.0006

D(KREDIT(-1)) -0.338378 0.096343 -3.512215 0.0007

C 15.17714 4.227799 3.589844 0.0005

@TREND(2005:01) -0.065130 0.022399 -2.907795 0.0046

R-squared 0.345005 Mean dependent var -0.112670

Adjusted R-squared 0.323172 S.D. dependent var 5.437433

S.E. of regression 4.473352 Akaike info criterion 5.875774

Sum squared resid 1800.979 Schwarz criterion 5.984000

Log likelihood -272.1614 F-statistic 15.80189

Durbin-Watson stat 2.169436 Prob(F-statistic) 0.000000

Dari hasil uji derajat integrasi atau uji akar –akar unit dapat di

kredit stasioner pada α= 5%. Dengan demikian tidak terdapat akar- akar unit tidak perlu dilanjutkan pada tes derajat integrasi ke dua. Untuk lebih jelasnya lagi dapat dilihat melalui tabel correlogram dibawah ini.

Tabel 4.2 Correlogram Periode Januari 2005 s/d Desember 2012

Date: 07/21/13 Time: 23:52 Sample: 2005:01 2012:12 Included observations: 96

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

. |***** | . |***** | 1 0.687 0.687 46.710 0.000

. |***** | . |*** | 2 0.675 0.385 92.304 0.000

. |***** | . |** | 3 0.654 0.232 135.53 0.000

. |***** | . |*. | 4 0.627 0.132 175.70 0.000

. |***** | . | . | 5 0.594 0.057 212.15 0.000

. |***** | . |*. | 6 0.630 0.182 253.69 0.000

. |***** | . |*. | 7 0.612 0.102 293.33 0.000

. |**** | . | . | 8 0.570 -0.017 328.01 0.000

. |**** | .*| . | 9 0.526 -0.080 357.97 0.000

. |**** | .*| . | 10 0.490 -0.084 384.19 0.000

. |**** | . | . | 11 0.465 -0.034 408.14 0.000

. |*** | . | . | 12 0.451 -0.009 430.89 0.000

. |*** | . | . | 13 0.422 -0.044 451.09 0.000

. |*** | . | . | 14 0.396 -0.044 469.11 0.000

. |*** | . | . | 15 0.380 0.002 485.92 0.000

. |*** | . | . | 16 0.342 -0.020 499.67 0.000

. |** | . | . | 17 0.307 -0.036 510.89 0.000

. |** | . | . | 18 0.281 -0.036 520.42 0.000

. |** | . | . | 19 0.253 -0.035 528.25 0.000

. |** | . | . | 20 0.220 -0.038 534.27 0.000

. |*. | . | . | 21 0.188 -0.052 538.69 0.000

. |*. | . | . | 22 0.160 -0.043 541.94 0.000

. |*. | . | . | 23 0.133 -0.026 544.21 0.000

. |*. | . | . | 24 0.094 -0.047 545.37 0.000

. | . | . | . | 25 0.062 -0.045 545.88 0.000

. | . | . | . | 26 0.040 -0.020 546.10 0.000

. | . | . | . | 27 0.024 0.014 546.18 0.000

. | . | . | . | 28 -0.007 -0.007 546.18 0.000

. | . | . | . | 29 -0.025 0.000 546.27 0.000

.*| . | .*| . | 30 -0.070 -0.065 546.97 0.000

.*| . | . | . | 31 -0.102 -0.057 548.49 0.000

.*| . | .*| . | 32 -0.144 -0.077 551.56 0.000

.*| . | .*| . | 33 -0.174 -0.070 556.05 0.000

**| . | .*| . | 34 -0.202 -0.066 562.27 0.000

**| . | . | . | 35 -0.220 -0.041 569.73 0.000

Dari tabel correlogram level pertama dapat di interpretasikan bahwa nilai koefisien ACF cukup tinggi (0,642) pada lag satu kemudian menurun secara perlahan. Namun sampai lag ke 36 nilai koefisien ACF tidak begitu besar (-0,151), pola nilai seperti ini menunjukkan bahwa data tidak stasioner.Oleh karena itu perlu dilakukan lagi different pada level kedua seperti tabel correlogram different dibawah ini.

Tabel 4.3 Correlogram Periode Januari 2005 s/d Desember 2012 differencing Date: 07/21/13 Time: 23:54

Sample: 2005:01 2012:12 Included observations: 95

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

****| . | ****| . | 1 -0.496 -0.496 24.109 0.000

. | . | **| . | 2 0.015 -0.306 24.133 0.000

. | . | **| . | 3 0.012 -0.190 24.146 0.000

. | . | .*| . | 4 0.011 -0.104 24.159 0.000

.*| . | **| . | 5 -0.125 -0.243 25.748 0.000

. |*. | .*| . | 6 0.107 -0.151 26.928 0.000

. | . | . | . | 7 0.043 -0.009 27.120 0.000

. | . | . |*. | 8 -0.001 0.078 27.120 0.001

. | . | . |*. | 9 -0.008 0.101 27.127 0.001

. | . | . | . | 10 -0.018 0.060 27.161 0.002

. | . | . | . | 11 -0.019 0.036 27.201 0.004

. | . | . |*. | 12 0.027 0.074 27.279 0.007

. | . | . |*. | 13 -0.005 0.067 27.282 0.011

. | . | . | . | 14 -0.016 0.001 27.313 0.018

. | . | . | . | 15 0.049 0.025 27.587 0.024

. | . | . | . | 16 -0.004 0.046 27.588 0.035

. | . | . | . | 17 -0.018 0.045 27.629 0.049

. | . | . | . | 18 0.003 0.033 27.630 0.068

. | . | . | . | 19 0.008 0.028 27.638 0.091

. | . | . | . | 20 0.000 0.044 27.638 0.118

. | . | . | . | 21 -0.008 0.029 27.645 0.151

. | . | . | . | 22 0.001 -0.002 27.645 0.188

. | . | . | . | 23 0.018 0.006 27.687 0.228

. | . | . | . | 24 -0.007 0.003 27.694 0.273

. | . | . | . | 25 -0.021 -0.032 27.751 0.319

. | . | .*| . | 26 -0.006 -0.072 27.756 0.371

. | . | .*| . | 27 0.021 -0.061 27.816 0.421

. | . | .*| . | 28 -0.020 -0.072 27.873 0.471

. | . | . | . | 29 0.045 0.000 28.157 0.510

. | . | . | . | 30 -0.020 0.002 28.216 0.559

. | . | . | . | 31 0.013 0.027 28.240 0.609

. | . | . | . | 32 -0.019 0.031 28.295 0.655

. | . | . | . | 33 0.003 0.038 28.296 0.700

. | . | . | . | 34 -0.020 0.013 28.357 0.740

. | . | . | . | 35 -0.005 -0.043 28.361 0.779

. | . | . | . | 36 0.052 0.010 28.779 0.798

Dari tabel correlogram level kedua dengan different dapat di interpretasikan nilai ACF semakin rendah sebesar (-0,496) pada lag satu dan ini diikuti pada lag berikutnya sehingga baru bisa dikatakan data stasioner. Langkah berikutnya yang

akan dilakukan adalah dengan pemilihan model ARIMA yang terbaik untuk melakukan peramalan.

4.2.Identifikasi Model ARIMA

Langkah selanjutnya setelah data stasioner maka yang akan dilakukan adalah menetapkan model ARIMA yang cocok (tentatif) dan menetapkan p,d,q jika yang dilakukan tanpa pembedaan (defferencing) maka diberi 0, dan jika melalui pembedaan diberi 1 dan seterusnya.

Pada identifikasi model datanya yang telah stasioner maka yang akan digunakan adalah sebagai berikut:

a.ACF (Autocorrelation function) yaitu fungsi yang menunjukkan besarnya korelasi antara pengamatan antara pada waktu t dengan pengamatan pada waktu sebelumya.

b.PACF (Partial Autocorrelation function) yaitu fungsi yang menunjukkan besarnya korelasi parsial antara pengamatan pada waktu ke t dengan pengamatan pada waktu sebelumya. Setelah data stasioner maka dapat dilihat model yang sesuai dengan melakukan autoregresive dan moving averege atau autoregresive integred moving everege serta manakah model yang terbaik, untuk melanjutkan peramalan.

4.2.1.Model ARIMA (1,1,0)

Tabel 4.4 Model ARIMA (1,1,0) Periode Januari 2005 s/d Desember 2012

Dependent Variable: D(KREDIT) Method: Least Squares

Date: 07/21/13 Time: 23:57 Sample(adjusted): 2005:03 2012:12

Included observations: 94 after adjusting endpoints Convergence achieved after 3 iterations

Variable Coefficient Std. Error t-Statistic Prob.

C -0.093678 0.326816 -0.286640 0.7750

AR(1) -0.495926 0.089964 -5.512527 0.0000

R-squared 0.248292 Mean dependent var -0.112670

Adjusted R-squared 0.240121 S.D. dependent var 5.437433

S.E. of regression 4.739866 Akaike info criterion 5.970942

Sum squared resid 2066.902 Schwarz criterion 6.025054

Log likelihood -278.6343 F-statistic 30.38796

Durbin-Watson stat 2.317247 Prob(F-statistic) 0.000000

Inverted AR Roots -.50

Dari tabel ARIMA (1,1,0) dapat di interpretasikan bahwa AR(1) signifikan

sebab nilai probabilitas= 0,0000 < (α= 5%) artinya model tersebut diterima. Dengan begitu dapat dilihat nilai determinasi, F-Statistik, SIC, secara berturut turut, 0,248296; 30,38796; 6,020554.

4.2.2.Model ARIMA (0,1,1)

Tabel 4.5 Model ARIMA (0,1,1) Periode Januari 2005 s/d Desember 2012

Dependent Variable: D(KREDIT) Method: Least Squares

Date: 07/21/13 Time: 23:59 Sample(adjusted): 2005:02 2012:12

Included observations: 95 after adjusting endpoints Convergence achieved after 11 iterations

Backcast: 2005:01

Variable Coefficient Std. Error t-Statistic Prob.

C -0.106684 0.113978 -0.936009 0.3517

MA(1) -0.749362 0.066730 -11.22977 0.0000

R-squared 0.387857 Mean dependent var -0.058358

Adjusted R-squared 0.381274 S.D. dependent var 5.434279

S.E. of regression 4.274555 Akaike info criterion 5.764065

Sum squared resid 1699.279 Schwarz criterion 5.817831

Log likelihood -271.7931 F-statistic 58.92521

Durbin-Watson stat 2.076133 Prob(F-statistic) 0.000000

Inverted MA Roots .75

Dari tabel ARIMA (0,1,1) dapat di interpretasikan bahwa MA(1)

signifikan sebab nilai probabilitas= 0,0000 < (α= 5%) artinya model tersebut

diterima. Dengan begitu dapat dilihat nilai determinasi, F-Statistik, SIC, secara berturut turut, 0,387857; 58,92521; 5,817831.

4.2.3.Model ARIMA (1,1,1)

Tabel 4.6 Model ARIMA (1,1,1) Periode Januari 2005 s/d Desember 2012

Dependent Variable: D(KREDIT) Method: Least Squares

Date: 07/22/13 Time: 00:01 Sample(adjusted): 2005:03 2012:12

Included observations: 94 after adjusting endpoints Convergence achieved after 15 iterations

Backcast: 2005:02

Variable Coefficient Std. Error t-Statistic Prob.

C -0.114281 0.118167 -0.967109 0.3361

AR(1) -0.072203 0.136389 -0.529390 0.5978

MA(1) -0.722926 0.094926 -7.615656 0.0000

R-squared 0.389609 Mean dependent var -0.112670

Adjusted R-squared 0.376194 S.D. dependent var 5.437433

S.E. of regression 4.294561 Akaike info criterion 5.783970

Sum squared resid 1678.336 Schwarz criterion 5.865139

Log likelihood -268.8466 F-statistic 29.04236

Durbin-Watson stat 2.007728 Prob(F-statistic) 0.000000

Inverted AR Roots -.07

Inverted MA Roots .72

Dari tabel ARIMA (1,1,1) dapat di interpretasikan bahwa AR(1) tidak signifikan sebab nilai probabilitas= 0,5978 < (α= 5%), sedangkan MA(1)

signifikan sebab nilai probabilitas= 0,0000 < (α=5%) artinya model tersebut

ditolak. Dengan begitu dapat dilihat nilai determinasi, F-Statistik, SIC, secara berturut turut, 0,389609; 29,04236; 5,865139.

4.2.4. Model ARIMA (2,2,0)

Tabel 4.7 Model ARIMA (2,2,0) Periode Januari 2005 s/d Desember 2012

Dependent Variable: D(KREDIT) Method: Least Squares

Date: 07/22/13 Time: 00:02 Sample(adjusted): 2005:04 2012:12

Included observations: 93 after adjusting endpoints Convergence achieved after 3 iterations

Variable Coefficient Std. Error t-Statistic Prob.

C -0.116040 0.578839 -0.200470 0.8416

AR(2) 0.015344 0.104319 0.147087 0.8834

R-squared 0.000238 Mean dependent var -0.115140

Adjusted R-squared -0.010749 S.D. dependent var 5.466851

S.E. of regression 5.496154 Akaike info criterion 6.267245

Sum squared resid 2748.901 Schwarz criterion 6.321709

Log likelihood -289.4269 F-statistic 0.021635

Durbin-Watson stat 2.987673 Prob(F-statistic) 0.883389

Inverted AR Roots .12 -.12

Dari tabel ARIMA (2,2,0) dapat di interpretasikan bahwa AR(2) tidak signifikan sebab nilai probabilitas= 0,8834 < (α= 5%) artinya model tersebut ditolak. Dengan begitu dapat dilihat nilai determinasi, F-Statistik, SIC, secara berturut turut, 0,000238;0,021635.

Tabel 4.8 Model ARIMA (0,2,2) Periode Januari 2005 s/d Desember 2012

Dependent Variable: D(KREDIT) Method: Least Squares

Date: 07/22/13 Time: 00:04 Sample(adjusted): 2005:02 2012:12

Included observations: 95 after adjusting endpoints Convergence achieved after 4 iterations

Backcast: 2004:12 2005:01

Variable Coefficient Std. Error t-Statistic Prob.

C -0.057533 0.568900 -0.101131 0.9197

MA(2) 0.015364 0.103684 0.148181 0.8825

R-squared 0.000235 Mean dependent var -0.058358

Adjusted R-squared -0.010515 S.D. dependent var 5.434279

S.E. of regression 5.462774 Akaike info criterion 6.254618

Sum squared resid 2775.297 Schwarz criterion 6.308384

Log likelihood -295.0944 F-statistic 0.021890

Durbin-Watson stat 2.968054 Prob(F-statistic) 0.882700

Dari tabel ARIMA (0,2,2) dapat di interpretasikan bahwa MA(2) tidak signifikan sebab nilai probabilitas= 0,0000 < (α= 5%) artinya model tersebut diterima. Dengan begitu dapat dilihat nilai determinasi, F-Statistik, SIC, secara berturut turut, 0,000235; 0,021890; 6,3083884.

4.2.6.Model ARIMA (2,2,2)

Tabel 4.9 Model ARIMA (2,2,2) Periode Januari 2005 s/d Desember 2012

Dependent Variable: D(KREDIT) Method: Least Squares

Date: 07/22/13 Time: 00:05 Sample(adjusted): 2005:04 2012:12

Included observations: 93 after adjusting endpoints Convergence achieved after 12 iterations

Backcast: 2005:02 2005:03

Variable Coefficient Std. Error t-Statistic Prob.

C -0.120215 0.587688 -0.204556 0.8384

AR(2) 0.075076 1.060828 0.070771 0.9437

MA(2) -0.059337 1.067047 -0.055608 0.9558

R-squared 0.000265 Mean dependent var -0.115140

Adjusted R-squared -0.021951 S.D. dependent var 5.466851

S.E. of regression 5.526527 Akaike info criterion 6.288723

Sum squared resid 2748.825 Schwarz criterion 6.370419

Log likelihood -289.4256 F-statistic 0.011940

Durbin-Watson stat 2.987273 Prob(F-statistic) 0.988133

Inverted AR Roots .27 -.27

Inverted MA Roots .24 -.24

Dari tabel ARIMA (2,2,2) dapat di interpretasikan bahwa AR(2) tidak signifikan sebab nilai probabilitas= 0,9437 < (α= 5%), sedangkan MA(2)

signifikan sebab nilai probabilitas= 0,9558 < (α=5%) artinya model tersebut

ditolak. Dengan begitu dapat dilihat nilai determinasi, F-Statistik, SIC, secara berturut turut, 0,000265; 0,011940; 6,370419. Dengan melihat beberapa model ARIMA model yang terbaik adalah model ARIMA (1,1,0) sedangkan model ARIMA yang lainnya tidak diterima atau tidak bisa dilakukan sebagai peramalan.

4.3.Peramalan dengan Model ARIMA

Apabila model sudah memadai maka akan dilakukan peramalan dan apabila belum memadai maka harus ditetapkan model yang lain. Untuk mengavaluasi

kesalahan peramalan bisa menggunakan Root Mean Squares error (RMSE) Mean Absolut Error (MAE) atau Mean Absolute Porcengtage Error (MAPE). Semua teknik yang dilakukan adalah untuk mengukur tingkat kesalahan.

-40 -20 0 20 40 60 80 100

05 06 07 08 09 10 11 12

KREDITF

Forecast: KREDITF Actual: KREDIT

Forecast sample: 2005:01 2012:12 Adjusted sample: 2005:03 2012:12 Included observations: 94

Root Mean Squared Error 8.705346 Mean Absolute Error 6.571502 Mean Abs. Percent Error 16.56257 Theil Inequality Coefficient 0.133204 Bias Proportion 0.564626 Variance Proportion 0.266180 Covariance Proportion 0.169194

Dari hasil tersebut dapat diketahui bahwa nilai bias proportion 0,564626 > 0,2, sedangkan nilai covariance proportion 0,169194 > 0,1 dengan demikian model ini bisa meramal data kredit. Selain itu juga bisa dilihat nilai rata-rata kuadrat kesalahan peramalan terbesar), 8,70 (RMSE) rata-rata absolut kesalahan sebesar 6,57 (MAE), dan rata-rata persentase absolut kesalahan sebesar 16,56 (MAPE). Untuk itu dapat dilihat hasil peramalan dengan menggunakan ARIMA dapat dilihat pada tabel berikut.

Tabel 4.10 hasil Prediksi Kredit Pada Tahun 2013 dalam Bentuk Miliaran (Rupiah)

4.4.Uji Derajat Integrasi Model VAR

Langkah yang harus dilakukan dalam dalam estimasi model VAR dengan data time series adalah dengan menguji stasioneritas pada data atau diseebut stationary stochastic process. Uji ini dapat dilakukan dengan dengan menggunakan Augmented Dickey Fuller (ADF) pada derajat yang sama (level atau different). Sehingga diperoleh data yang stasioner, yaitu data yang variansnya

Bulan Jumlah

Januari 27.874

Pebruari 27.781

Maret 27.687

April 27.593

Mei 27.500

Juni 27.406

Juli 27.312

Agustus 27.219

September 27.125

Oktober 27.031

November 26.938

yang tidak terlalu besar dan mempunyai kecendrungan untuk mendekati nilai rata-ratanya (Ender,1995).

Tabel 4.11 Uji Akar-akar unit INF Periode Januari 2005 s/d Desember 2012

Null Hypothesis: INF has a unit root Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on SIC, MAXLAG=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -2.426973 0.3635

Test critical values: 1% level -4.057528

5% level -3.457808

10% level -3.154859

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(INF)

Method: Least Squares Date: 07/22/13 Time: 00:12 Sample(adjusted): 2005:02 2012:12

Included observations: 95 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

INF(-1) -0.108715 0.044795 -2.426973 0.0172

C 1.382367 0.609259 2.268933 0.0256

@TREND(2005:01) -0.012316 0.006643 -1.853861 0.0670

R-squared 0.062069 Mean dependent var -0.031789

Adjusted R-squared 0.041679 S.D. dependent var 1.423174

S.E. of regression 1.393201 Akaike info criterion 3.532154

Sum squared resid 178.5727 Schwarz criterion 3.612803

Log likelihood -164.7773 F-statistic 3.044102

Durbin-Watson stat 1.592635 Prob(F-statistic) 0.052465

Dari hasil uji derajat integrasi atau uji akar –akar unit dapat di

interpretasikan bahwa nilai probabilitas = 0,3635 < (α= 5%), artinya variabel INF tidak stasioner pada α= 5%. Dengan demikian terdapat akar- akar unit perlu dilanjutkan pada tes derajat integrasi ke dua. Untuk lebih jelasnya lagi dapat dilihat melalui tabel dibawah ini.

Tabel 4.12 Uji Akar-akar unit INF Periode Januari 2005 s/d Desember 2012

Differencing

Null Hypothesis: D(INF) has a unit root Exogenous: Constant, Linear Trend

Lag Length: 0 (Automatic based on SIC, MAXLAG=11)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -8.062559 0.0000

Test critical values: 1% level -4.058619

5% level -3.458326

10% level -3.155161

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation Dependent Variable: D(INF,2)

Method: Least Squares Date: 07/22/13 Time: 00:13 Sample(adjusted): 2005:03 2012:12

Included observations: 94 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob.

D(INF(-1)) -0.833228 0.103345 -8.062559 0.0000

C 0.076733 0.301049 0.254886 0.7994

@TREND(2005:01) -0.002095 0.005420 -0.386559 0.7000

R-squared 0.416686 Mean dependent var 0.001702

Adjusted R-squared 0.403866 S.D. dependent var 1.844951

S.E. of regression 1.424482 Akaike info criterion 3.576888

Sum squared resid 184.6525 Schwarz criterion 3.658057

Log likelihood -165.1137 F-statistic 32.50258

Durbin-Watson stat 1.956660 Prob(F-statistic) 0.000000

Dari hasil uji derajat integrasi pada (first different) atau uji akar –akar unit

dapat di interpretasikan bahwa nilai probabilitas = 0,0000 < (α= 5%), artinya variabel INF stasioner pada α= 5%. Dengan demikian tidak terdapat akar- akar oleh karena itu akan dilanjutkan dengan uji stasioner pada data JBR dapat dilihat pada tabel berikut ini.

BAB V

KESIMPULAN DAN SARAN

5.1.Kesimpulan

Dari hasil pembahasan diatas dapat disimpulkan bahwa untuk melakukan peramalan atau memprediksi permintaan kredit kedepanya dapat memilih model peramalan yang terbaik dengan model yang cukup sederhana dan cukup akurat. Model ARIMA(1,1,0) adalah model yang terbaik untuk melakukan peramalan dengan tingkat kesalahan rata-rata peramalan cukup rendah dengan nilai 8,70 (RMSE) dibandingkan dengan model VAR.

Dengan model VAR yang telah dilakukan untuk peramalan tidak begitu mudah sebab banyak langkah-langkah yang harus dilakukan untuk melakukan peramalan seperti estimasi model VAR, Impulse Respons, Variance Decomposition yang akan dilakukan untuk memproyeksi model VAR. Dari hasil peramalan ARIMA dapat disimpulkan bahwa nilai dari peramalan beberapa kedepanya menurun, sedagakan peramalan yang digunakan dengan model VAR dengan data Inflasi dan JIBOR datanya menaik untuk bebrapa bulan kedepannya.

Dilihat dari kondisi seperti ini mengindikasikan bahwa teori itu terbukti apabila Inflasi naik dan Jibor maka permintaan kredit akan menurun sesuai dengan teorinya. Untuk model VAR agar model peramalan itu diterima harus dilihat terlebih dahulu Impulse Responsnya apakah ada shock atau pengaruh dari kedua variabel tersebut. Selain itu syarat berikutnya yaitu dengan melihat

Variance Decompositionnya, apakah ada guncangan yang akan disumbangkan oleh kedua variabel tersebut. Sedankan model ARIMA dalam melakukan prediksinya hanya cukup memilih model yang terbaik, setelah itu baru melakukan peramalannya sehingga model ARIMA ini lebih efektif dibandingkan model VAR. Model ARIMA yang terbaik adalah model ARIMA (1,1,0) yang bisa melakkan peramalan.

5.2.Saran

Untuk melakukan peramalan model ARIMA (1,1,0) lebih efektif untuk digunakan dalam memprediksi permintaan kredit oleh pihak otoritas moneter dibandingkan dengan model VAR yang memiliki tahap estimasi yang begitu banyak, untuk melakukan prediksi. Namun karena permintaan kredit bersifat borderless antar wilayah satu negara, maka pendekatan ini tidak dapat dipergunakan untuk memproyeksikan posisi permintaan kredit suatu wilayah tetentu dalam suatu negara (indonesia).

DAFTAR PUSTAKA

Makridakis, S. S. Wheelright., dan V.E. McGee.1999. Metode dan Aflikasi Peramalan. jakarta: Binarupa Aksara

Bambang Juanda. Prof. Dr. Ir. M.S., dan Junaidi SE.M.Si.2012. Ekonometrika Deret Waktu. Bogor: PT Penerbit IPB Press

R. Aritonang R, Lerbin. 2009. Peramalan Bisnis. Jakarta: Ghalia Indonesia

Kasmir. 1998. Bank dan Lembaga Keuangan Lainya. Jakarta: Rajawali Pers

Utoro. 2012. Efektivitas Penggunaan ARIMA dan VAR Dalam Melakukan Proyeksi Permintaan Uang Kartal di Indonesia. Journal: Bank Indonesia

Ajijja Sochrul R., Dyah W.Sari., Setianto Rahmat H., dan Primanti Martha R. 2011. Cara Cerdas Menguasai Eviews. Jakarta: Salemba Empat

Tahun

Lampiran.1

Penelusuran Kredit (Off-Balance Sheet) Bank Umum Berdasarkan Jenis Kredit dan Golongan Penyalur (Channelling Credit of Commercial Bank

Based onType of Credit and Type of Credition) Dalam Miliaran Rupiah Bulan

2005 2006 2007 2008 2009 2010 2011 2012 Januari 35.120 35.331 42.649 43.728 36.347 32.893 30.048 28.999 Pebruari 35.167 34.770 42.802 43.193 37.247 30.222 30.021 28.715 Maret 35.284 35.558 42.663 44.063 36.669 30.870 29.367 28.736 April 35.374 41.206 42.553 41.281 34.470 29.904 29.054 27.704 Mei 35.984 42.467 41.628 41.481 33.814 29.046 29.161 27.797 Juni 35.237 42.227 42.649 41.682 68.515 29.679 28.945 27.877 Juli 35.089 41.600 43.593 40.838 32.102 29.439 28.720 23.849 Agustus 35.710 41.324 43.286 40.499 34.431 30.179 29.228 25.359 September 35.214 41.441 42.724 41.270 33.817 30.063 29.345 25.326 Oktober 34.517 41.116 42.887 45.617 33.496 30.145 29.328 24.784 Nopember 36.239 41.322 43.845 46.581 33.356 29.720 29.580 24.914 Desember 34.517 40.170 43.675 45.963 32.893 30.160 29.425 24.576

Bulan

Lampiran. 2

Tingkat Inflasi (Indek Harga Konsumen) Dalam Bentuk Persentase (%) Tahun

2005 2006 2007 2008 2009 2010 2011 2012 Januari 7,32 17,03 6,26 7,36 9,17 3,72 7,02 3,36 Pebruari 7,41 17,92 6,30 7,40 8,60 3,81 6,84 3,56 Maret 8.81 17,74 6,52 8,17 7,92 3,43 6,65 3,97 April 8,12 15,40 6,29 8,96 7,31 3,91 6,16 4,50 Mei 7,40 15,60 6,01 10,38 6,04 4,16 5,98 4,53 Juni 7,42 15,53 5,77 11,03 3,65 5,05 5,54 4,56 Juli 7,84 15,15 6,06 11,90 2,91 6,22 4,61 4,58 Agustus 8,33 14,90 6,51 11,85 2,75 6,44 4,79 4,58 September 9,06 14,55 6,96 12,14 2,83 5,80 4,61 4,31 Oktober 17,84 6,29 6,88 11,77 2,57 6,67 4,42 4,61 Nopember 18,38 5,27 6,71 11,68 2,41 6,33 3,15 4,32 Desember 17,11 6,60 6,59 11,06 2,78 6,96 3,79 4,30

Bulan

Lampiran. 3

SUKU BUNGA JIBOR (Jakarta Interbank Offered Rate) Dalam Bentuk Persentase (%)

Tahun

2005 2006 2007 2008 2009 2010 2011 2012 Januari 7,42 14,03 9,05 8,01 10,13 6,73 6,37 4,35 Pebruari 2,45 13,78 8,94 7,89 9,25 6,68 6,48 4,03 Maret 7,46 13,69 9,04 7,79 8,73 6,64 6,85 3,94 April 7,51 13,42 8,81 8,00 8,25 6,47 6,88 3,98 Mei 7,87 13,67 8,63 8,37 7,76 6,54 6,90 4,25 Juni 8,33 12,98 8,26 8,85 7,31 6,52 6,88 4,48 Juli 8,71 12,71 8,68 9,45 6,99 6,51 6,81 4,54 Agustus 10,56 11,86 7,92 9,62 6,72 6,54 6,32 4,70 September 11,68 11,29 6,74 10,77 6,70 6,45 6,71 4,60 Oktober 14,15 10,81 8,06 11,75 6,73 6,36 5,43 4,61 Nopember 13,19 6,69 7,94 11,72 6,73 6,23 5,02 4,58 Desember 13,25 9,49 11,40 7,97 6,74 6,27 4,94 4,78