BAB 4
ANALISIS DAN PEMBAHASAN
4.1 Analisis Data
Analisis data dilakukan agar diperoleh hasil sesuai dengan yang diinginkan. Dalam bab ini akan dicoba menganalisa tentang perkembangan jumlah pelanggan kartu kredit
untuk tahun 2010 berdasarkan data tahun 2008 dan 2009 di PT. Bank Mandiri Kantor Wilayah I Medan.
Adapun data jumlah pelanggan kartu kredit di PT. Bank Mandiri persero Cabang Medan dapat dilihat pada table 4.1 berikut ini:
Universitas Sumatera Utara
Tabel 4.1 Data Jumlah Pelanggan Kartu Kredit di PT. Bank Mandiri Persero Cabang Medan
Tahun Bulan
Jumlah Pelanggan
2008 Januari
198 2008
Februari 211
2008 Maret
259 2008
April 307
2008 Mei
185 2008
Juni 251
2008 Juli
267 2008
Agustus 215
2008 September
153 2008
Oktober 145
2008 November
111 2008
Desember 39
2009 Januari
296 2009
Februari 253
2009 Maret
374 2009
April 619
2009 Mei
385 2009
Juni 429
2009 Juli
619 2009
Agustus 994
2009 September
701 2009
Oktober 865
2009 November
978 2009
Desember 1023
2010 Januari
482
Sumber: PT. Bank Mandiri Persero Kantor Wilayah I Medan
Universitas Sumatera Utara
4.2 Analisis Deret Berkala
Untuk menganalisa data deret berkala, pertama kalinya kita harus memplot data pada tabel secara grafis, sesudah memplot deret berkala untuk pemeriksaan secara visual,
maka alat statistik yang utama adalah koefisien aurokorelasi rk. Statistik ini menggambarkan hubungan antara suatu data deret berkala itu sendiri pada
keterlambatan waktu lag time k periode.
Bentuk visual dari suatu plot deret berkala sering kali cukup untuk meyakinkan para peramal forecaster bahwa data tersebut adalah stasioner atau tidak
stasioner dengan demikian plot autokorelasi data memperlihatkan ketidakstasioneran.
Tampilan plot data jumlah korban kecelakaan lalu lintas jalan raya di atas menunjukkan bahwa data asli tersebut tidak stasioner. Untuk memperkuat tabel ini
perlu dihitung koefisien autokorelasi dari data table pada berbagai time lag. Dengan menggunakan rumus:
rk =
k n
i t
k n
i k
t t
Y Y
Y Y
Y Y
1 2
1
Nilai-nilai autokorelasi data jumlah pelanggan kartu kredit: rk =
2 2
36 .
414 482
... 36
. 414
198 36
. 414
482 36
. 414
1023 ...
36 .
414 211
36 .
414 198
= 0.787182216
Universitas Sumatera Utara
Dengan demikian maka autokorelasi untuk time lag ke 2 dan seterusnya dapat kita peroleh dengan persamaan di atas. Maka dengan cara yang sama akan diperoleh
koefisien autokorelasi berikut ini
Tabel 4.2 Nilai Autokorelasi Data Jumlah Pelanggan Kartu Kredit untuk time lag ke 1
Tahun Bulan
Yt Yt+1
Yt ‐Y
Yt+1 ‐Y
Yt ‐Y2
Yt ‐YYt+1‐Y
2008 Januari
198 ‐216.4
46811.6496 2008
Februari 211
198 ‐203.4 ‐216.36
41355.2896 43998.9696
2008 Maret
259 211
‐155.4 ‐203.36 24136.7296
31594.0096 2008
April 307
259 ‐107.4 ‐155.36
11526.1696 16679.4496
2008 Mei
185 307
‐229.4 ‐107.36 52606.0096
24624.0896 2008
Juni 251
185 ‐163.4 ‐229.36
26686.4896 37468.2496
2008 Juli
267 251
‐147.4 ‐163.36 21714.9696
24072.7296 2008
Agustus 215
267 ‐199.4 ‐147.36
39744.4096 29377.6896
2008 September
153 215
‐261.4 ‐199.36 68309.0496
52104.7296 2008
Oktober 145
153 ‐269.4 ‐261.36
72554.8096 70399.9296
2008 November
111 145
‐303.4 ‐269.36 92027.2896
81713.0496 2008
Desember 39
111 ‐375.4 ‐303.36 140895.1296
113869.2096 2009
Januari 296
39 ‐118.4 ‐375.36
14009.0896 44427.6096
2009 Februari
253 296
‐161.4 ‐118.36 26037.0496
19098.5696 2009
Maret 374
253 ‐40.36 ‐161.36
1628.9296 6512.4896
2009 April
619 374
204.64 ‐40.36
41877.5296 ‐8259.2704
2009 Mei
385 619
‐29.36 204.64
862.0096 ‐6008.2304
2009 Juni
429 385
14.64 ‐29.36
214.3296 ‐429.8304
2009 Juli
619 429
204.64 14.64
41877.5296 2995.9296
2009 Agustus
994 619
579.64 204.64
335982.5296 118617.5296
2009 September
701 994
286.64 579.64
82162.4896 166148.0096
2009 Oktober
865 701
450.64 286.64
203076.4096 129171.4496
2009 November
978 865
563.64 450.64
317690.0496 253998.7296
2009 Desember
1023 978
608.64 563.64
370442.6496 343053.8496
2010 Januari
482 1023
67.64 608.64
4575.1696 41168.4096
Jumlah 10359
2078803.76 1636397.35
Rata ‐rata Yt
414.36 rk
0.787182216
Universitas Sumatera Utara
Tabel 4.3 Nilai Autoklorelasi Data jumlah Pelanggan Kartu Kredit
Time lag
R 1
0.787182216 2
0.633205696 3
0.541945571 4
0.46066407 5
0.228913359 6
0.120451938 7
0.070491836 8
‐0.03142994 9
‐0.13810693 10
‐0.230161877 11
‐0.293602021 12
‐0.337886187 13
‐0.310032711 14
‐0.305644172 15
‐0.287852502 16
‐0.217472684 17
‐0.223310431 18
‐0.23750964 19
‐0.223625333 20
‐0.154937276 21
‐0.15102072 22
‐0.12325874 23
‐0.069963613 24
‐0.00703991
Dari analisis data deret berkala dengan autokorelasi serta nilai-nilai autokorelasi data jumlah pelanggan kartu kredit dapat dilihat bahwa pola data trend
linier serta menunjukkan bahwa data tersebut tidak stasioner. Maka dapat diplot autokorelasi data jumlah pelanggan kartu kredit di PT. Bank Mandiri setelah dicari
autokorelasinya.
Universitas Sumatera Utara
Gambar 4.1 Grafik Kartu Kredit Dengan Data Asli
Dari plot autokorelasi data diatas dapat dilihat trend searah diagonal, bersama dengan jumlah time lag dimana nilai-nilai autokorelasi menurun secara perlahan-lahan
dan berkorelasi satu sama lain. Dan dapat meyakinkan peramal dalam menganalisa adanya stasioneran atau ketidakstasioneran data.
Adapun kesalahan standar: Serk = 25
1
= 0.2
Universitas Sumatera Utara
Dengan tingkat kepercayaan 95 dari seluruh koefisien berdasarkan sample harus terletak dalam daerah tengah ditambah dan kurangi 1.96 kali kesalahan standar.
Dengan demikian suatu deret data dapat dituliskan dengan: -1,960,2
≤rk≥1,960,2 -0,392
≥rk≤0,392
Nilai koefisien autokorelasi time lag satu berada di luar rentang, jadi berbeda secara signifikan dari nol, yang berarti ada hubungan yang signifikan antara nilai
suatu variabel dengan nilai variabel itu sendiri dengan time lag satu periode yang menunjukkan pola trend.
4.3 Identifikasi Model Peramalan
Kategori