Peramalan Jumlah Pelanggan Kartu Kredit di PT. Bank Permata Cabang Medan dengan Menggunakan Metode Smoothing Eksponensial Linier Satu Parameter dari Brown

(1)

Lampiran.1

Tabel Pemulusan Eksponensial Linier Satu Parameter Dari Brown Menggunakan α = 0,2 Pada Data Jumlah Pelanggan Kartu Kredit

Bulan Periode

April ₁ 102 102 102

Mei ₂ 178 117.2 105.04 129.36 3.04

Juni ₃ 230 139.76 111.984 167.536 6.944 132.4 97.6 9525.76

Juli ₄ 305 172.808 124.1488 221.4672 12.1648 174.48 130.52 17035.4704

Agustus ₅ 399 218.0464 142.92832 293.16448 18.77952 233.632 165.368 27346.57542

September ₆ 462 266.83712 167.71008 365.96416 24.78176 311.944 150.056 22516.80314

Oktober ₇ 537 320.869696 198.3420032 443.3973888 30.6319232 390.74592 146.25408 21390.25592

November ₈ 580 372.6957568 233.2127539 512.1787597 34.87075072 474.029312 105.970688 11229.78672

Desember ₉ 632 424.5566054 271.4815242 577.6316867 38.2687703 547.0495104 84.9504896 7216.585683

Januari ₁₀ 721 483.8452844 313.9542762 653.7362925 42.47275203 615.900457 105.099543 11045.91395

Februari ₁₁ 701 527.2762275 356.6186665 697.9337885 42.66439025 696.2090445 4.79095552 22.95325479

Maret ₁₂ 789 579.620982 401.2191296 758.0228344 44.6004631 740.5981787 48.40182129 2342.736304

(2)

Mei ₁₄ 1090 721.4374285 501.7552143 941.1196426 54.92055354 857.3744416 232.6255584 54114.65043

Juni ₁₅ 1055 788.1499428 559.03416 1017.265726 57.27894569 996.0401961 58.95980385 3476.25847

Juli ₁₆ 1128 856.1199542 618.4513189 1093.78859 59.41715884 1074.544671 53.45532878 2857.472174

Agustus ₁₇ 1161 917.0959634 678.1802478 1156.011679 59.7289289 1153.205748 7.794251576 60.75035762

September ₁₈ 1207 975.0767707 737.5595524 1212.593989 59.37930459 1215.740608 -8.7406079 76.39822638

Oktober ₁₉ 1253 1030.661417 796.1799252 1265.142908 58.62037284 1271.973294 -18.9732936 359.9858716

November ₂₀ 1329 1090.329133 855.0097668 1325.6485 58.82984161 1323.763281 5.236719228 27.42322827

Desember ₂₁ 1359 1144.063307 912.8204748 1375.306138 57.81070796 1384.478341 -25.4783413 649.1458757

Januari ₂₂ 1425 1200.250645 970.3065089 1430.194782 57.4860341 1433.116846 -8.11684639 65.8831954

Februari ₂₃ 1267 1213.600516 1018.96531 1408.235722 48.65880147 1487.680816 -220.680816 48700.02246

Maret ₂₄ 1308 1232.480413 1061.668331 1403.292495 42.70302053 1456.894524 -148.894524 22169.57915

April ₂₅ 1316 1249.18433 1099.171531 1399.19713 37.5031999 1445.995516 -129.995516 16898.83408

Mei ₂₆ 1350 1269.347464 1133.206717 1405.488211 34.03518671 1436.70033 -86.7003299 7516.947205

Juni ₂₇ 1473 1310.077971 1168.580968 1451.574975 35.37425079 1439.523398 33.47660216 1120.682892

(3)

Agustus ₂₉ 1623 1418.569902 1250.39978 1586.740023 42.04253034 1566.343786 56.65621396 3209.92658

September ₃₀ 1636 1462.055921 1292.731009 1631.380834 42.3312282 1628.782553 7.217446598 52.09153539

Oktober ₃₁ 1641 1497.844737 1333.753754 1661.93572 41.0227457 1673.712062 -32.7120624 1070.079025

November ₃₂ 1700 1538.27579 1374.658161 1701.893418 40.90440708 1702.958466 -2.95846563 8.752518857

Desember ₃₃ 1780 1586.620632 1417.050655 1756.190608 42.39249408 1742.797825 37.20217492 1384.001819

Januari ₃₄ 1832 1635.696505 1460.779825 1810.613185 43.72916999 1798.583102 33.41689787 1116.689063

Februari ₃₅ 1705 1649.557204 1498.535301 1800.579107 37.75547578 1854.342355 -149.342355 22303.1391

Maret ₃₆ 2050 1729.645763 1544.757394 1914.534133 46.22209245 1838.334583 211.6654168 44802.24867

April ₃₇ 2157 1815.116611 1598.829237 2031.403984 54.07184342 1960.756226 196.2437743 38511.61895

(4)

Lampiran.2

April ₁ 102 102 102 102

Mei ₂ 178 124.8 108.84 140.76 6.84 124.8

Juni ₃ 230 156.36 123.096 189.624 14.256 147.6 82.4 156.36

Juli ₄ 305 200.952 146.4528 255.4512 23.3568 203.88 101.12 200.952

Agustus ₅ 399 260.3664 180.62688 340.10592 34.17408 278.808 120.192 260.3664

September ₆ 462 320.85648 222.69576 419.0172 42.06888 374.28 87.72 320.85648

Oktober ₇ 537 385.699536 271.5968928 499.8021792 48.9011328 461.08608 75.91392 385.699536

November ₈ 580 443.9896752 323.3147275 564.6646229 51.71783472 548.703312 31.296688 443.9896752

Desember ₉ 632 500.3927726 376.4381411 624.3474042 53.12341354 616.3824576 15.6175424 500.3927726

Januari ₁₀ 721 566.5749408 433.479181 699.6707007 57.04103994 677.4708178 43.52918224 566.5749408

Februari ₁₁ 701 606.9024586 485.5061643 728.2987529 52.02698328 756.7117406 -55.7117406 606.9024586

Maret ₁₂ 789 661.531721 538.3138313 784.7496107 52.80766702 780.3257362 8.674263806 661.531721

(5)

Mei ₁₄ 1090 825.0305433 660.6921033 989.3689833 70.43075999 884.6305781 205.3694219 825.0305433

Juni ₁₅ 1055 894.0213803 730.6908864 1057.351874 69.9987831 1059.799743 -4.79974327 894.0213803

Juli ₁₆ 1128 964.2149662 800.7481104 1127.681822 70.05722394 1127.350657 0.649342697 964.2149662

Agustus ₁₇ 1161 1023.250476 867.4988202 1179.002133 66.7507098 1197.739046 -36.739046 1023.250476

September ₁₈ 1207 1078.375333 930.7617741 1225.988893 63.26295399 1245.752842 -38.7528423 1078.375333

Oktober ₁₉ 1253 1130.762733 990.7620619 1270.763405 60.00028778 1289.251847 -36.2518467 1130.762733

November ₂₀ 1329 1190.233913 1050.603617 1329.864209 59.84155544 1330.763693 -1.76369268 1190.233913

Desember ₂₁ 1359 1240.863739 1107.681654 1374.045825 57.0780366 1389.705765 -30.7057649 1240.863739

Januari ₂₂ 1425 1296.104618 1164.208543 1428.000692 56.52688908 1431.123861 -6.12386138 1296.104618

Februari ₂₃ 1267 1287.373232 1201.15795 1373.588515 36.94940677 1484.527581 -217.527581 1287.373232

Maret ₂₄ 1308 1293.561263 1228.878944 1358.243582 27.72099384 1410.537922 -102.537922 1293.561263

April ₂₅ 1316 1300.292884 1250.303126 1350.282642 21.42418205 1385.964575 -69.9645754 1300.292884

Mei ₂₆ 1350 1315.205019 1269.773694 1360.636344 19.47056789 1371.706824 -21.706824 1315.205019

Juni ₂₇ 1473 1362.543513 1297.604639 1427.482387 27.83094584 1380.106912 92.89308835 1362.543513

(6)

Agustus ₂₉ 1623 1489.916321 1383.706066 1596.126577 45.51868082 1568.156279 54.84372114 1489.916321

September ₃₀ 1636 1533.741425 1428.716674 1638.766176 45.01060764 1641.645257 -5.64525746 1533.741425

Oktober ₃₁ 1641 1565.918997 1469.877371 1661.960624 41.1606971 1683.776784 -42.7767838 1565.918997

November ₃₂ 1700 1606.143298 1510.757149 1701.529447 40.8797782 1703.121321 -3.12132116 1606.143298

Desember ₃₃ 1780 1658.300309 1555.020097 1761.580521 44.2629479 1742.409226 37.59077443 1658.300309

Januari ₃₄ 1832 1710.410216 1601.637133 1819.1833 46.61703574 1805.843468 26.15653157 1710.410216

Februari ₃₅ 1705 1708.787151 1633.782138 1783.792164 32.14500556 1865.800335 -160.800335 1708.787151

Maret ₃₆ 2050 1811.151006 1686.992799 1935.309213 53.21066028 1815.93717 234.0628302 1811.151006

April ₃₇ 2157 1914.905704 1755.36667 2074.444738 68.37387166 1988.519874 168.4801265 1914.905704

(7)

Lampiran.3

April ₁ 102 102 102

Mei ₂ 178 132.4 114.16 150.64 12.16

Juni ₃ 230 171.44 137.072 205.808 22.912 162.8 67.2 4515.84

Juli ₄ 305 224.864 172.1888 277.5392 35.1168 228.72 76.28 5818.6384

Agustus ₅ 399 294.5184 221.12064 367.91616 48.93184 312.656 86.344 7455.286336

September ₆ 462 361.51104 277.2768 445.74528 56.15616 416.848 45.152 2038.703104

Oktober ₇ 537 431.706624 339.0487296 524.3645184 61.7719296 501.90144 35.09856 1231.908914

November ₈ 580 491.0239744 399.8388275 582.2091213 60.79009792 586.136448 -6.136448 37.65599406

Desember ₉ 632 547.4143846 458.8690504 635.9597189 59.03022285 642.9992192 -10.9992192 120.982823

Januari ₁₀ 721 616.8486308 522.0608825 711.636379 63.19183217 694.9899418 26.01005824 676.5231296

Februari ₁₁ 701 650.5091785 573.4402009 727.578156 51.37931837 774.8282112 -73.8282112 5450.604769

Maret ₁₂ 789 705.9055071 626.4263234 785.3846908 52.98612247 778.9574744 10.04252559 100.8523203

(8)

Mei ₁₄ 1090 888.8459825 762.1902625 1015.501703 84.43714673 883.0602851 206.9397149 42824.04559

Juni ₁₅ 1055 955.3075895 839.4371933 1071.177986 77.24693083 1099.938849 -44.9388494 2019.500183

Juli ₁₆ 1128 1024.384554 913.4161375 1135.35297 73.97894417 1148.424917 -20.4249166 417.1772183

Agustus ₁₇ 1161 1079.030732 979.6619754 1178.399489 66.24583791 1209.331914 -48.3319142 2335.973925

September ₁₈ 1207 1130.218439 1039.884561 1220.552318 60.22258559 1244.645327 -37.645327 1417.170645

Oktober ₁₉ 1253 1179.331064 1095.663162 1262.998965 55.77860106 1280.774903 -27.7749033 771.4452539

November ₂₀ 1329 1239.198638 1153.077352 1325.319924 57.41419046 1318.777566 10.22243375 104.4981518

Desember ₂₁ 1359 1287.119183 1206.694085 1367.544281 53.61673217 1382.734114 -23.7341143 563.308182

Januari ₂₂ 1425 1342.27151 1260.925055 1423.617965 54.23097004 1421.161013 3.838986679 14.73781872

Februari ₂₃ 1267 1312.162906 1281.420195 1342.905617 20.49514046 1477.848935 -210.848935 44457.27332

Maret ₂₄ 1308 1310.497744 1293.051214 1327.944273 11.63101934 1363.400757 -55.400757 3069.243877

April ₂₅ 1316 1312.698646 1300.910187 1324.487105 7.858972645 1339.575292 -23.5752919 555.7943866

Mei ₂₆ 1350 1327.619188 1311.593787 1343.644588 10.68360021 1332.346078 17.65392228 311.660972

Juni ₂₇ 1473 1385.771513 1341.264877 1430.278148 29.6710901 1354.328188 118.6718118 14082.99892

(9)

Agustus ₂₉ 1623 1531.357745 1448.261552 1614.453938 55.39746202 1599.260938 23.73906233 563.5430803

September ₃₀ 1636 1573.214647 1498.24279 1648.186504 49.98123808 1669.8514 -33.8513996 1145.917253

Oktober ₃₁ 1641 1600.328788 1539.077189 1661.580387 40.83439938 1698.167742 -57.1677419 3268.150718

November ₃₂ 1700 1640.197273 1579.525223 1700.869323 40.44803354 1702.414786 -2.41478647 5.831193703

Desember ₃₃ 1780 1696.118364 1626.162479 1766.074248 46.63725647 1741.317357 38.68264333 1496.346895

Januari ₃₄ 1832 1750.471018 1675.885895 1825.056142 49.72341569 1812.711505 19.28849513 372.0460442

Februari ₃₅ 1705 1732.282611 1698.444581 1766.120641 22.5586865 1874.779557 -169.779557 28825.09813

Maret ₃₆ 2050 1859.369567 1762.814575 1955.924558 64.36999415 1788.679327 261.3206728 68288.49404

April ₃₇ 2157 1978.42174 1849.057441 2107.786039 86.24286584 2020.294552 136.7054481 18688.37953

(10)

Lampiran.4

April ₁ 102 102 102

Mei ₂ 178 140 121 159 19

Juni ₃ 230 185 153 217 32 178 52 2704

Juli ₄ 305 245 199 291 46 249 56 3136

Agustus ₅ 399 322 260.5 383.5 61.5 337 62 3844

September ₆ 462 392 326.25 457.75 65.75 445 17 289

Oktober ₇ 537 464.5 395.375 533.625 69.125 523.5 13.5 182.25

November ₈ 580 522.25 458.8125 585.6875 63.4375 602.75 -22.75 517.5625

Desember ₉ 632 577.125 517.96875 636.28125 59.15625 649.125 -17.125 293.265625

Januari ₁₀ 721 649.0625 583.515625 714.609375 65.546875 695.4375 25.5625 653.4414063

Februari ₁₁ 701 675.03125 629.2734375 720.7890625 45.7578125 780.15625 -79.15625 6265.711914

Maret ₁₂ 789 732.015625 680.6445313 783.3867188 51.37109375 766.546875 22.453125 504.1428223

(11)

Mei ₁₄ 1090 935.0039063 832.6650391 1037.342773 102.3388672 879.3710938 210.6289063 44364.53615

Juni ₁₅ 1055 995.0019531 913.8334961 1076.17041 81.16845703 1139.681641 -84.6816406 7170.980259

Juli ₁₆ 1128 1061.500977 987.6672363 1135.334717 73.83374023 1157.338867 -29.3388672 860.7691278

Agustus ₁₇ 1161 1111.250488 1049.458862 1173.042114 61.79162598 1209.168457 -48.168457 2320.200253

September ₁₈ 1207 1159.125244 1104.292053 1213.958435 54.83319092 1234.83374 -27.8337402 774.7170954

Oktober ₁₉ 1253 1206.062622 1155.177338 1256.947906 50.88528442 1268.791626 -15.791626 249.375451

November ₂₀ 1329 1267.531311 1211.354324 1323.708298 56.17698669 1307.833191 21.16680908 448.0338067

Desember ₂₁ 1359 1313.265656 1262.30999 1364.221321 50.95566559 1379.885284 -20.8852844 436.1951055

Januari ₂₂ 1425 1369.132828 1315.721409 1422.544247 53.41141891 1415.176987 9.823013306 96.4915904

Februari ₂₃ 1267 1318.066414 1316.893911 1319.238916 1.172502518 1475.955666 -208.955666 43662.47018

Maret ₂₄ 1308

1313.033207 1314.963559 1311.102855

-1.930352211 1320.411419 -12.4114189 154.0433195

April ₂₅ 1316 1314.516603 1314.740081 1314.293126 -0.22347784 1309.172503 6.827497482 46.61472187

Mei ₂₆ 1350 1332.258302 1323.499192 1341.017412 8.759110212 1314.069648 35.93035221 1290.99021

Juni ₂₇ 1473 1402.629151 1363.064171 1442.194131 39.56497967 1349.776522 123.2234778 15184.02549

(12)

Agustus ₂₉ 1623 1561.407288 1496.423331 1626.391245 64.9839572 1636.56498 -13.5649797 184.0086735

September ₃₀ 1636 1598.703644 1547.563487 1649.843801 51.14015667 1691.375202 -55.3752021 3066.41301

Oktober ₃₁ 1641 1619.851822 1583.707655 1655.995989 36.14416737 1700.983957 -59.9839572 3598.075122

November ₃₂ 1700 1659.925911 1621.816783 1698.035039 38.1091282 1692.140157 7.859843329 61.77713715

Desember ₃₃ 1780 1719.962955 1670.889869 1769.036042 49.07308636 1736.144167 43.85583263 1923.334056

Januari ₃₄ 1832 1775.981478 1723.435673 1828.527282 52.54580431 1818.109128 13.8908718 192.9563193

Februari ₃₅ 1705 1740.490739 1731.963206 1749.018272 8.52753272 1881.073086 -176.073086 31001.73174

Maret ₃₆ 2050 1895.245369 1813.604288 1976.886451 81.64108164 1757.545804 292.4541957 85529.45658

April ₃₇ 2157 2026.122685 1919.863486 2132.381883 106.2591985 2058.527533 98.47246728 9696.826812

(13)

Lampiran.5

April ₁ 102 102 102

Mei ₂ 178 147.6 129.36 165.84 27.36

Juni ₃ 230 197.04 169.968 224.112 40.608 193.2 36.8 1354.24

Juli ₄ 305 261.816 225.0768 298.5552 55.1088 264.72 40.28 1622.4784

Agustus ₅ 399 344.1264 296.50656 391.74624 71.42976 353.664 45.336 2055.352896

September ₆ 462 414.85056 367.51296 462.18816 71.0064 463.176 -1.176 1.382976

Oktober ₇ 537 488.140224 439.8893184 536.3911296 72.3763584 533.19456 3.80544 14.48137359

November ₈ 580 543.2560896 501.9093811 584.6027981 62.02006272 608.767488 -28.767488 827.5683658

Desember ₉ 632 596.5024358 558.665214 634.3396577 56.75583283 646.6228608 -14.6228608 213.828058

Januari ₁₀ 721 671.2009743 626.1866702 716.2152785 67.52145623 691.0954906 29.90450944 894.2796848

Februari ₁₁ 701 689.0803897 663.9229019 714.2378776 37.73623173 783.7367347 -82.7367347 6845.367272

Maret ₁₂ 789 749.0321559 714.9884543 783.0758575 51.06555239 751.9741093 37.02589071 1370.916583

(14)

Mei ₁₄ 1090 972.5651449 889.0763266 1056.053963 125.2332275 877.8372704 212.1627296 45013.02383

Juni ₁₅ 1055 1022.026058 968.8461654 1075.205951 79.76983881 1181.287191 -126.287191 15948.45455

Juli ₁₆ 1128 1085.610423 1038.90472 1132.316126 70.05855465 1154.975789 -26.9757893 727.6932102

Agustus ₁₇ 1161 1130.844169 1094.06839 1167.619949 55.16366951 1202.374681 -41.3746809 1711.864224

September ₁₈ 1207 1176.537668 1143.549956 1209.525379 49.48156687 1222.783618 -15.7836185 249.1226118

Oktober ₁₉ 1253 1222.415067 1190.869023 1253.961111 47.31906637 1259.006946 -6.00694582 36.08339808

November ₂₀ 1329 1286.366027 1248.167225 1324.564828 57.2982024 1301.280178 27.7198223 768.3885483

Desember ₂₁ 1359 1329.946411 1297.234737 1362.658085 49.0675113 1381.863031 -22.8630308 522.7181787

Januari ₂₂ 1425 1386.978564 1351.081033 1422.876095 53.84629666 1411.725596 13.27440377 176.2097954

Februari ₂₃ 1267

1314.991426 1329.427269 1300.555583

-21.65376448 1476.722392 -209.722392 43983.48173

Maret ₂₄ 1308

1310.79657 1318.24885 1303.344291

-11.17841905 1278.901818 29.09818175 846.7041814

April ₂₅ 1316

1313.918628 1315.650717 1312.186539

-2.598132924 1292.165872 23.83412813 568.0656638

(15)

Juni ₂₇ 1473 1418.02698 1381.856491 1454.19747 54.25573384 1355.484186 117.5158142 13809.9666

Juli ₂₈ 1597 1525.410792 1467.989072 1582.832513 86.13258055 1508.453204 88.54679644 7840.53516

Agustus ₂₉ 1623 1583.964317 1537.574219 1630.354415 69.58514703 1668.965093 -45.9650931 2112.789786

September ₃₀ 1636 1615.185727 1584.141124 1646.23033 46.56690474 1699.939562 -63.9395619 4088.26758

Oktober ₃₁ 1641 1630.674291 1612.061024 1649.287558 27.91990026 1692.797235 -51.7972346 2682.953517

November ₃₂ 1700 1672.269716 1648.186239 1696.353193 36.12521545 1677.207458 22.79254219 519.4999796

Desember ₃₃ 1780 1736.907887 1701.419228 1772.396545 53.23298832 1732.478409 47.5215913 2258.301639

Januari ₃₄ 1832 1793.963155 1756.945584 1830.980725 55.52635618 1825.629534 6.370466287 40.58284072

Februari ₃₅ 1705 1740.585262 1747.129391 1734.041133 -9.81619318 1886.507082 -181.507082 32944.82066

Maret ₃₆ 2050 1926.234105 1854.592219 1997.87599 107.4628285 1724.22494 325.7750601 106129.3898

April ₃₇ 2157 2064.693642 1980.653073 2148.734211 126.0608537 2105.338819 51.66118116 2668.877639

(16)

Lampiran.6

April ₁ 102 102 102

Mei ₂ 178 155.2 139.24 171.16 37.24

Juni ₃ 230 207.56 187.064 228.056 47.824 208.4 21.6 466.56

Juli ₄ 305 275.768 249.1568 302.3792 62.0928 275.88 29.12 847.9744

Agustus ₅ 399 362.0304 328.16832 395.89248 79.01152 364.472 34.528 1192.182784

September ₆ 462 432.00912 400.85688 463.16136 72.68856 474.904 -12.904 166.513216

Oktober ₇ 537 505.502736 474.1089792 536.8964928 73.2520992 535.84992 1.15008 1.322684006

November ₈ 580 557.6508208 532.5882683 582.7133733 58.47928912 610.148592 -30.148592 908.9375996

Desember ₉ 632 609.6952462 586.5631529 632.8273396 53.97488454 641.1926624 -9.1926624 84.505042

Januari ₁₀ 721 687.6085739 657.2949476 717.9222002 70.73179471 686.8022242 34.19777584 1169.487872

Februari ₁₁ 701 696.9825722 685.0762848 708.8888595 27.78133721 788.6539949 -87.6539949 7683.222818

Maret ₁₂ 789 761.3947716 738.4992256 784.2903177 53.42294081 736.6701968 52.32980325 2738.408308

(17)

Mei ₁₄ 1090 1005.405529 939.9326715 1070.878387 152.7700018 877.5376374 212.4623626 45140.25552

Juni ₁₅ 1055 1040.121659 1010.064963 1070.178355 70.13229111 1223.648389 -168.648389 28442.27917

Juli ₁₆ 1128 1101.636498 1074.165037 1129.107958 64.1000745 1140.310646 -12.3106461 151.5520083

Agustus ₁₇ 1161 1143.190949 1122.483176 1163.898723 48.3181385 1193.208033 -32.2080327 1037.357368

September ₁₈ 1207 1187.857285 1168.245052 1207.469518 45.7618764 1212.216861 -5.21686144 27.2156433

Oktober ₁₉ 1253 1233.457185 1213.893545 1253.020825 45.64849337 1253.231394 -0.23139393 0.053543149

November ₂₀ 1329 1300.337156 1274.404073 1326.270239 60.51052715 1298.669319 30.33068117 919.9502205

Desember ₂₁ 1359 1341.401147 1321.302024 1361.500269 46.89795189 1386.780766 -27.7807658 771.7709508

Januari ₂₂ 1425 1399.920344 1376.334848 1423.50584 55.03282369 1408.398221 16.60177919 275.6190722

Februari ₂₃ 1267 1306.876103 1327.713727 1286.03848 -48.6211214 1478.538664 -211.538664 44748.60618

Maret ₂₄ 1308 1307.662831 1313.6781 1301.647562 -14.0356270 1237.417358 70.58264174 4981.909315

April ₂₅ 1316 1313.498849 1313.552624 1313.445074 -0.12547527 1287.611935 28.38806476 805.882221

Mei ₂₆ 1350 1339.049655 1331.400546 1346.698764 17.84792127 1313.319599 36.6804011 1345.451825

Juni ₂₇ 1473 1432.814896 1402.390591 1463.239202 70.99004553 1364.546685 108.4533148 11762.1215

(18)

Agustus ₂₉ 1623 1600.423341 1571.53783 1629.308851 67.39952455 1693.098347 -70.0983467 4913.778204

September ₃₀ 1636 1625.327002 1609.190251 1641.463754 37.65242043 1696.708376 -60.7083757 3685.506886

Oktober ₃₁ 1641 1636.298101 1628.165746 1644.430456 18.97549505 1679.116174 -38.1161742 1452.842739

November ₃₂ 1700 1680.88943 1665.072325 1696.706536 36.90657919 1663.405951 36.59404927 1339.124442

Desember ₃₃ 1780 1750.266829 1724.708478 1775.82518 59.63615296 1733.613115 46.38688524 2151.743123

Januari ₃₄ 1832 1807.480049 1782.648577 1832.31152 57.94009965 1835.461333 -3.46133329 11.98082813

Februari ₃₅ 1705 1735.744015 1749.815383 1721.672646 -32.8331939 1890.25162 -185.25162 34318.16258

Maret ₃₆ 2050 1955.723204 1893.950858 2017.495551 144.1354746 1688.839452 361.1605482 130436.9416

April ₃₇ 2157 2096.616961 2035.81713 2157.416792 141.8662722 2161.631025 -4.63102531 21.44639539

(19)

Lampiran.7

April ₁ 102 102 102

Mei ₂ 178 162.8 150.64 174.96 48.64

Juni ₃ 230 216.56 203.376 229.744 52.736 223.6 6.4 40.96

Juli ₄ 305 287.312 270.5248 304.0992 67.1488 282.48 22.52 507.1504

Agustus ₅ 399 376.6624 355.43488 397.88992 84.91008 371.248 27.752 770.173504

September ₆ 462 444.93248 427.03296 462.832 71.59808 482.8 -20.8 432.64

Oktober ₇ 537 518.586496 500.2757888 536.8972032 73.2428288 534.43008 2.56992 6.604488806

November ₈ 580 567.7172992 554.2289971 581.2056013 53.95320832 610.140032 -30.140032 908.421529

Desember ₉ 632 619.1434598 606.1605673 632.1263524 51.93157018 635.1588096 -3.1588096 9.978078089

Januari ₁₀ 721 700.628692 681.735067 719.5223169 75.57449974 684.0579226 36.94207744 1364.717086

Februari ₁₁ 701 700.9257384 697.0876041 704.7638727 15.35253709 795.0968166 -94.0968166 8854.210902

Maret ₁₂ 789 771.3851477 756.525639 786.2446564 59.43803485 720.1164098 68.88359025 4744.949005

(20)

Mei ₁₄ 1090 1035.335406 989.197675 1081.473137 184.5509236 876.8284201 213.1715799 45442.12248

Juni ₁₅ 1055 1051.067081 1038.6932 1063.440962 49.49552494 1266.02406 -211.02406 44531.15406

Juli ₁₆ 1128 1112.613416 1097.829373 1127.397459 59.13617303 1112.936487 15.06351265 226.9094133

Agustus ₁₇ 1161 1151.322683 1140.624021 1162.021345 42.79464822 1186.533633 -25.5336325 651.9663899

September ₁₈ 1207 1195.864537 1184.816434 1206.91264 44.19241236 1204.815994 2.184006484 4.769884322

Oktober ₁₉ 1253 1241.572907 1230.221613 1252.924202 45.40517902 1251.105052 1.894947895 3.590827523

November ₂₀ 1329 1311.514581 1295.255988 1327.773175 65.03437511 1298.329381 30.6706189 940.6868636

Desember ₂₁ 1359 1349.502916 1338.653531 1360.352302 43.39754288 1392.80755 -33.8075504 1142.950461

Januari ₂₂ 1425 1409.900583 1395.651173 1424.149994 56.99764215 1403.749845 21.2501551 451.5690918

Februari ₂₃ 1267 1295.580117 1315.594328 1275.565905 -80.0568449 1481.147636 -214.147636 45859.20998

Maret ₂₄ 1308 1305.516023 1307.531684 1303.500362 -8.06264363 1195.509061 112.4909394 12654.21145

April ₂₅ 1316 1313.903205 1312.628901 1315.177509 5.097216343 1295.437719 20.5622812 422.8074084

Mei ₂₆ 1350 1342.780641 1336.750293 1348.810989 24.12139228 1320.274725 29.72527491 883.5919682

Juni ₂₇ 1473 1446.956128 1424.914961 1468.997295 88.16466826 1372.932381 100.0676187 10013.52832

(21)

Agustus ₂₉ 1623 1611.798245 1597.153791 1626.4427 58.57781791 1709.06749 -86.0674902 7407.612861

September ₃₀ 1636 1631.159649 1624.358477 1637.960821 27.2046867 1685.020518 -49.0205175 2403.011138

Oktober ₃₁ 1641 1639.03193 1636.097239 1641.96662 11.73876196 1665.165507 -24.1655074 583.971748

November ₃₂ 1700 1687.806386 1677.464557 1698.148215 41.36731732 1653.705382 46.29461774 2143.191632

Desember ₃₃ 1780 1761.561277 1744.741933 1778.380621 67.27737645 1739.515533 40.48446739 1638.9921

Januari ₃₄ 1832 1817.912255 1803.278191 1832.54632 58.53625789 1845.657998 -13.6579978 186.5409026

Februari ₃₅ 1705 1727.582451 1742.721599 1712.443303 -60.5565919 1891.082578 -186.082578 34626.72576

Maret ₃₆ 2050 1985.51649 1936.957512 2034.075468 194.2359129 1651.886711 398.1132888 158494.1907

April ₃₇ 2157 2122.703298 2085.554141 2159.852455 148.5966288 2228.311381 -71.3113814 5085.313113

(22)

Lampiran.8

April ₁ 102 102 102

Mei ₂ 178 170.4 163.56 177.24 61.56

Juni ₃ 230 224.04 217.992 230.088 54.432 238.8 -8.8 77.44

Juli ₄ 305 296.904 289.0128 304.7952 71.0208 284.52 20.48 419.4304

Agustus ₅ 399 388.7904 378.81264 398.76816 89.79984 375.816 23.184 537.497856

September ₆ 462 454.67904 447.0924 462.26568 68.27976 488.568 -26.568 705.858624

Oktober ₇ 537 528.767904 520.6003536 536.9354544 73.5079536 530.54544 6.45456 41.66134479

November ₈ 580 574.8767904 569.4491467 580.3044341 48.84879312 610.443408 -30.443408 926.8010907

Desember ₉ 632 626.287679 620.6038258 631.9715323 51.15467909 629.1532272 2.8467728 8.104115375

Januari ₁₀ 721 711.5287679 702.4362737 720.6212621 81.83244789 683.1262114 37.87378864 1434.423866

Februari ₁₁ 701 702.0528768 702.0912165 702.0145371 -0.34505721 802.45371 -101.45371 10292.85527

Maret ₁₂ 789 780.3052877 772.4838806 788.1266948 70.39266408 701.6694799 87.33052011 7626.619743

(23)

Mei ₁₄ 1090 1063.323053 1038.806334 1087.839772 220.65047 873.977177 216.022823 46665.86007

Juni ₁₅ 1055 1055.832305 1054.129708 1057.534902 15.32337417 1308.490242 -253.490242 64257.30269

Juli ₁₆ 1128 1120.783231 1114.117878 1127.448583 59.98817013 1072.858277 55.14172341 3040.60966

Agustus ₁₇ 1161 1156.978323 1152.692279 1161.264368 38.57440029 1187.436753 -26.4367529 698.9019039

September ₁₈ 1207 1201.997832 1197.067277 1206.928388 44.37499836 1199.838768 7.161232186 51.28324642

Oktober ₁₉ 1253 1247.899783 1242.816533 1252.983034 45.74925567 1251.303386 1.696613966 2.87849895

November ₂₀ 1329 1320.889978 1313.082634 1328.697323 70.26610115 1298.73229 30.26771047 916.1342972

Desember ₂₁ 1359 1355.188998 1350.978361 1359.399634 37.89572767 1398.963424 -39.963424 1597.075261

Januari ₂₂ 1425 1418.0189 1411.314846 1424.722954 60.33648452 1397.295362 27.70463809 767.5469715

Februari ₂₃ 1267 1282.10189 1295.023186 1269.180594 -116.291660 1485.059438 -218.059438 47549.91856

Maret ₂₄ 1308 1305.410189 1304.371489 1306.448889 9.34830308 1152.888934 155.111066 24059.44279

April ₂₅ 1316 1314.941019 1313.884066 1315.997972 9.51257722 1315.797192 0.20280758 0.041130914

Mei ₂₆ 1350 1346.494102 1343.233098 1349.755105 29.34903241 1325.510549 24.48945086 599.7332032

Juni ₂₇ 1473 1460.34941 1448.637779 1472.061041 105.4046807 1379.104138 93.8958621 8816.432919

(24)

Agustus ₂₉ 1623 1619.033494 1614.116667 1623.950321 44.25144236 1718.032103 -95.032103 9031.100608

September ₃₀ 1636 1634.303349 1632.284681 1636.322018 18.16801401 1668.201763 -32.2017634 1036.953565

Oktober ₃₁ 1641 1640.330335 1639.52577 1641.1349 7.241088379 1654.490032 -13.4900316 181.9809538

November ₃₂ 1700 1694.033033 1688.582307 1699.48376 49.05653754 1648.375989 51.6240113 2665.038543

Desember ₃₃ 1780 1771.403303 1763.121204 1779.685403 74.53889662 1748.540297 31.45970258 989.7128863

Januari ₃₄ 1832 1825.94033 1819.658418 1832.222243 56.53721395 1854.2243 -22.2242996 493.9194926

Februari ₃₅ 1705 1717.094033 1727.350471 1706.837595 -92.3079462 1888.759457 -183.759457 33767.53802

Maret ₃₆ 2050 2016.709403 1987.77351 2045.645296 260.4230386 1614.529648 435.4703516 189634.4271

April ₃₇ 2157 2142.97094 2127.451197 2158.490683 139.6776872 2306.068335 -149.068335 22221.36853

(25)

DAFTAR PUSTAKA

Arga, W. 1985, Analisa Runtun Waktu Teori dan Aplikasi. Edisi Pertama Cetakan Pertama. Yogyakarta: BPFE

Assauri, Sofyan. 1984, Teknik dan Metoda Peramalan, Jakarta: Fakultas Ekonomi Universitas Indonesia.

Gitosudarmo, Indriyo. 2001. Teknik Proyeksi Bisnis. Edisi Pertama Cetakan Pertama. Yogyakarta: BPF

Haymans, Adler Manurung. 1990. Teknik Peramalan Bisnis dan Ekonomi. Jakarta : Rineka cipta.

Makridakis S, Wheelwright S.C dan Mc Gee V.E. 1993. Metode dan Aplikasi Peramalan. Edisi Kedua Jilid Satu. Jakarta: Erlangga.

(26)

BAB 3

PEMBAHASAN

Adapun data yang akan dianalisa dalam penelitian ini adalah data jumlah pelanggan kartu kredit pada PT. Bank Permata Cabang Medan. Sebagaimana pada pembahasan masalah, data yang dianalisa adalah data jumlah permintaan kartu kredit dari April 2010 sampai dengan April 2013 seperti pada tabel berikut:

Tabel 3.1. Data Jumlah Pelanggan Kartu Kredit April 2010 Sampai April 2013 Tahun Periode Bulan Jumlah Pelanggan

(27)

25 April 1.316

Sumber : PT. Bank Permata Cabang Medan

Gambar 3.1. Grafik Realisasi Jumlah Pelanggan Kartu Kredit April 2010 s/d April 2013

3.1 Analisa Pemulusan Eksponensial Linear Satu Parameter dari Brown

Pada smoothing eksponensial tunggal dilakukan peramalan dengan satu kali pemulusan saja. Sedangkan pada metode Brown ini dilakukan dua kali pemulusan dan kemudian dilakukan peramalan. Sehingga metode ini sering disebut metode pemulusan

0

(28)

eksponensial berganda (double exponential smoothing). Dasar pemikiran dari pemulusan eksponensial linear satu parameter dari Brown ini hampir sama dengan rata-rata bergerak linier karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data yang sebenarnya bilamana terdapat unsur trend. Perbedaan antara nilai pemulusan tunggal dan ganda ditambahkan kepada nilai pemulusan tunggal dan disesuaikan dengan trend. Persamaan yang dipakai dalam implementasi pemulusan eksponensial linear satu parameter dari Brown yaitu: sama dengan atau dengan menggunakan suatu nilai rata-rata dari beberapa nilai pertama sebagai titik awal.

Jenis masalah inisialisasi ini muncul dalam setiap metode pemulusan eksponensial. Jika parameter α tidak mendekati nol, pengaruh dari proses inisialisasi ini dengan cepat menjadi kurang berarti dengan berlalunya waktu. Tetapi, jika α mendekati nol proses inisialisasi tersebut dapat memainkan peranan yang nyata selama priode waktu ke muka yang panjang. Berikut ini akan digunakan peramalan dengan metode pemulusan eksponensial dimana nilai parameter 0 < α < 1 dengan trial dan error sesuai langkah yang ditempuh dalam pemecahan metode linear satu parameter dari brown.

(29)

Untuk = 0,1 maka dapat dihitung :

Eksponensial tunggal periode ke-1 (April 2010) = 102 ( Data awal )

= 102

Eksponensial tunggal periode ke-2 (Mei 2010) = 0,1(178) + (1 - 0,1) 102 = 109.6

Eksponensial tunggal periode ke-3 (Juni 2010) = 0,1(230) + (1 - 0,1) 109,6 = 121.64

. . .

Eksponensial tunggal periode ke-37 (April 2013) = 0,1(2157) + (1-0,1) 1509,68 = 1.574,416596

Dan tahap selanjutnya untuk menghitung peramalan tersebut yaitu mencari pemulusan eksponensial ganda dengan menggunakan persamaan (2.4) yaitu :

+

Maka dapat dihitung :

Eksponensial ganda periode ke-1 (April 2010) = 102 ( Data awal ) = 102

(30)

Selanjutnya dicari nilai dengan menggunakan persamaan (2.5) :

Tahap selanjutnya adalah menghitung nilai dengan menggunakan persamaan (2.6) :

(31)

= 44,30022643

Dari perhitungan dan di atas dapat ditentukan ramalan jumlah pelanggan kartu

kredit. Untuk itu tahap selanjutnya adalah dengan menggunakan persamaan (2.7) :

Untuk periode ke-5 (Agustus 2010) = 171,7712 + 3,5328(1) = 175,304

. . .

Untuk periode ke-37 (April 2013) = 1887,955882 + 42,03008611(1)

= 1929,985968

Untuk mencari nilai MSE, maka harus ditentukan dahulu nilai dari ( kesalahan ) dan

(32)

Selanjutnya data yang dibutuhkan untuk menghitung nilai MSE adalah . Dari nilai tiap – tiap periode di atas, dapat dikuadratkan menjadi :

untuk periode ke-3 (april 2011) = 12723,84

Menggunakan α = 0,1 Pada Data Jumlah Pelanggan Kartu Kredit

(33)

(34)

37 2.157 1.574,

Dengan perhitungan yang sama, maka dapat ditentukan nilai smoothing eksponensial tunggal, ganda, ramalan, nilai kesalahan dan kesalahan kuadrat yang akan datang untuk α = 0,2 sampai dengan α = 0,9 yang ditampilkan pada lampiran1 sampai dengan lampiran 8. Selanjutnya dilakukan uji ketetapan ukuran metode peramalan untuk menentukan parameter yang akan digunakan dalam peramalan.

3.3 Uji Ketepatan Ramalan

1. MSE (Mean Square Error) / Nilai Tengah Kesalahan Kuadrat dengan parameter α = 0,1

∑

= 31.306,64452

(35)

∑| |

0,251212955

4. MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase dengan parameter α = 0,1

∑

0,003007008

5. SSE (Sum Square Error) / Jumlah Kuadrat Kesalahan dengan parameter α=0,1

∑

1.095.732,558

(36)

Tabel 3.3 Perbandingan Ukuran Ketepatan Metode Peramalan

Parameter

Nilai Kesalahan Galat

MSE MAE MAPE MPE SSE

0,1 31.306,645 153,6075 0,251213 0,230327 1.095.733

0,2 11.799,445 84,02807 0,163554 0,128862 412.980,6

0,3 8.758,9613 67,79093 0,135315 0,097517 306.563,6

0,4 8.055,317 62,21327 0,122577 0,082452 281.936,1

0,5 8.115,1293 60,19265 0,116069 0,073632 284.029,5

0,6 8.643,3858 60,72866 0,112674 0,067781 302.518,5

0,7 9.658,148 61,51861 0,111385 0,063507 338.035,2

0,8 11.295,376 66,21645 0,112753 0,060132 395.338.2

0,9 13.783,683 73,12749 0,118422 0,057286 482.428,9

Sumber : Perhitungan

Berdasarkan teori-teori sebelumnya , ramalan yang baik adalah ramalan yang

mempunyai nilai galat (kesalahan) yang paling rendah . Dimana hal itu dilakukan

dengan adanya penyesuaian suatu model peramalan dengan parameter tertentu dengan

data historis yang ada. Sedangkan tujuan optimalisasi statistik pada bagian sebelumnya

adalah untuk memilih suatu model agar MSE dan SSE minimal. Ketepatan dalam

ramalan adalah hal yang sangat diharapkan dalam peramalan. Hal ini dilakukan untuk

mengukur kesesuaian suatu model peramalan tertentu untuk suatu kumpulan data yang

diberikan. Sehingga dari tabel 3.3 di atas dapat dilihat bahwa yang menghasilkan nilai

galat (kesalahan) yang paling rendah atau terkecil yaitu pada nilai parameter pemulusan

α = 0,4 yaitu dengan nilai MSE = 8.055,317 dan SSE = 281.936,

3.4 Peramalan Jumlah Pelanggan Kartu Kredit PT.Bank Permata Cabang Medan

(37)

Permata Cabang Medan dari Mei 2013 sampai April 2014 dengan menggunakan persamaan :

= 2107,786039+ 86,24286584 (m)

Setelah diperoleh model peramalan jumlah pelanggan kartu kredit, maka dapat dihitung

untuk 12 periode kedepan dari Mei 2013 sampai April 2014.

Untuk periode ke-38 ( Mei 2013 )

= 2107,786039+ 86,24286584 (m) = 2107,786039+ 86,24286584 (1) = 2107,786039+ 86,24286584 = 2194,028905

Untuk periode ke-39 ( Juni 2013 )

= 2107,786039+ 86,24286584 (m) = 2107,786039+ 86,24286584 (2) = 2107,786039+ 172,4857317 = 2280,27177

Untuk periode ke-40 ( Juli 2013 )

= 2107,786039+ 86,24286584 (m) = 2107,786039+ 86,24286584 (3) = 2107,786039 + 258,7285975 = 2366,514636

Untuk periode ke-41 ( Agustus 2013 )

(38)

Untuk periode ke-42 ( September 2013 )

= 2107,786039+ 86,24286584 (m) = 2107,786039+ 86,24286584 (5) = 2107,786039+ 431,2143292 = 2539,000368

Untuk periode ke-43 ( Oktober 2013 )

= 2107,786039+ 86,24286584 (m) = 2107,786039+ 86,24286584 (6) = 2107,786039+ 517,4571951 = 2625.243234

Untuk periode ke-44 ( November 2013 )

= 2107,786039+ 86,24286584 (m) = 2107,786039+ 86,24286584 (7) = 2107,786039+ 603,7000609 = 2711,4861

Untuk periode ke-45 ( Desember 2013 )

= 2107,786039+ 86,24286584 (m) = 2107,786039+ 86,24286584 (8) = 2107,786039+ 689,9429267 = 2797,728965

Untuk periode ke-46 ( Januari 2013 )

= 2107,786039+ 86,24286584 (m) = 2107,786039+ 86,24286584 (9) = 2107,786039+ 776,1857926 = 2883,971831

Untuk periode ke-47 ( Februari 2013 )

(39)

= 2107,786039+ 862,4218104 = 2970,206908

Untuk periode ke-48 ( Maret 2013 )

= 2107,786039+ 86,24286584 (m)

= 2107,786039+ 86,24286584 (11)

= 2107,786039+ 862,4286584

= 2970,214697

Untuk periode ke-49 ( April 2013 )

= 2107,786039+ 86,24286584 (m)

= 2107,786039+ 86,24286584 (12)

= 2107,785098 + 948,6715243

= 3056,457563

Tabel 3.4 Peramalan Jumlah Pelanggan Kartu Kredit PT.Bank Permata Cabang Medan dari Mei 2013 sampai April 2014

Tahun Bulan Periode Peramalan

(40)

Gambar 3.2. Grafik Peramalan Jumlah Pelanggan Kartu Kredit Mei 2013 s/d April 2014

Data diatas menunjukkan suatu pola data yang linier. Kenaikan jumlah pelanggan kartu kredit terjadi pada 12 periode kedepan. Hal ini merupakan suatu hal yang sangat diharapkan oleh perusahaan yang bersangkutan. Tidak terdapat suatu penyimpangan

data pada suatu periode tertentu. Kenaikan seperti inilah yang diharapkan dapat memberikan bagi pihak yang terkait dalam hal laba atau keuntungan.

0

(41)

BAB 4

KESIMPULAN DAN SARAN

4.1 Kesimpulan

Berdasarkan analisis dan evaluasi jumlah pelanggan kartu kredit di PT.Bank Permata Cabang Medan pada April 2010 sampai dengan April 2013 maka kesimpulan yang diperoleh adalah sebagai berikut:

1. Bentuk peramalan yang dipilih untuk meramalkan jumlah pelanggan kartu kredit berdasarkan data April 2010 sampai dengan April 2013 adalah metode smoothing eksponensial linier satu parameter dari Brown berdasarkan kriteria nilai MSE dan SSE terkecil dengan α = 0,4 yaitu dengan nilai 8055,317 dan 281936,1

2. Bentuk persamaan peramalan jumlah pelanggan kartu kredit untuk 12 periode kedepan adalah = 2107,786039+ 86,24286584 (m) dimana m adalah periode

kedepan yang ingin diramalkan m=1,2,3…12.

(42)

4.2Saran

Adapun saran yang dapat diberikan pada penelitian ini yaitu :

1. Dengan meningkatnya jumlah pelanggan kartu kredit setiap bulannya maka pemimpin PT. Bank Permata Cabang Medan harus benar – benar memperhatikan faktor – faktor apa saja yang mempengaruhi tingkat kenaikkan jumlah pelanggan kartu kredit setiap bulannya.

2. Diharapkan kepada perusahaan yang terkait pada tugas akhir ini agar tulisan ini menjadi masukan untuk mengambil keputusan dalam meramalkan jumlah pelanggan kartu kredit.

(43)

BAB 2

LANDASAN TEORI

PT.Bank Permata merupakan salah satu bank nasional terbesar di Indonesia dan dikenal sebagai bank pelayanan terbaik. Bank Permata dibentuk sebagai hasil merger dari 5 bank di bawah Badan Penyehatan Perbankan Nasional (BPPN), yakni PT Bank Bali, PT Bank Universal, PT Bank Prima Express, PT Bank Artamedia, PT Bank Patriot, yang prosesnya berhasil diselesaikan pada tahun 2002. Pada tahun 2004 Standard Chartered Bank dan PT Astra Internasional mengambil ahli PT.Bank Permata dan memulai proses

transformasi secara besar-besaran di dalam organisasi. Adapun visi dan misi dari bank permata adalah pelopor dalam memberikan solusi finansial yang inovatif dan menjadikan hidup lebih bernilai.

2.1 Kartu Kredit

2.1.1 Pengertian Kartu Kredit

Kartu kredit adalah suatu jenis penyelesaian transaksi ritel (retail) dan sistem kredit,

yang namanya berasal dari kartu plastik yang diterbitkan kepada pengguna sistem tersebut. Sebuah kartu kredit berbeda dengan kartu debit di mana penerbit kartu kredit meminjamkan konsumen uang dan bukan mengambil uang dari rekening.

2.1.2 Jenis Jenis Kartu Kredit 1. Charge cards

a. Bisa meminjam uang dari penerbit kartu kredit.

(44)

a. Kartu kredit yang dikeluarkan oleh Pasar Swalayan atau toko.

b. Periksa semua detail sebelum mendaftar karena persyaratan dan panduan tiap kartu akan berbeda.

c. Secara umum lebih mahal daripada kartu kredit tradisional. 3. Pinjaman Perseorangan

a. Pinjaman ini berguna untuk membeli barang berharga dan mahal seperti komputer, mobil atau paket liburan seperti menggabungkan beberapa utang ke dalam satu pembayaran rutin.

b. Pembayaran bulanan tetap selama satu periode waktu

c. Membantu untuk pengaturan penganggaran jika memiliki pembayaran rutin. d. Jenis kredit ini sering ditawarkan oleh pengedar, dimana peminjam sebenarnya

adalah biasanya sebuah institusi keuangan. 4. Overdraft

a. Bisa meminjam sejumlah uang diatas batas yang telah ditentukan pada rekening bank. Bunga pada pinjaman ini secara umum paling rendah diatara jenis-jenis kredit yang ada. Pinjaman Pay day. Pinjaman jangka pendek yang biasanya jumlahnya kecil atau hanya beberapa juta rupiah. Bunganya sangat tinggi, sehingga penggunaannya harus hati-hati.

2.1.3 Kelebihan dan Kelemahan Kartu Kredit 1. Kelebihan

a. Kartu kredit dapat digunakan untuk mempermudah alat pembayaran sehingga tidak perlu membawa uang tunai.

(45)

Bahkan ada juga kartu kredit yang memiliki fasilitas untuk membayar pengeluaran rutin, seperti tagihan telepon, tagihan listrik dan tagihan air.

c. Kartu kredit juga dapat digunakan untuk mencatat pengeluaran secara rutin sehingga mempermudah dalam mengelola keuangan dalam keluarga.

d. Kartu kredit juga dapat digunakan untuk menghemat pengeluaran, misalnya untuk diskon kamar, diskon makan di restoran atau diskon belanja.

e. Tidak perlu membawa uang tunai kemana-mana yang bisa membahayakan keselamatan.

2. Kelemahan

a. Kartu bisa dibobol orang lain yang tidak jujur, misalnya bila penjual tidak jujur maka ia akan menggosok slip kredit lebih dari 1 kali sebelum ditanda tangani. Ia akan menagih ke bank yang bersangkutan untuk transaksi lain dengan menggunakan slip yang kedua dengan mencantumkan tanda tangan yang dipalsukan seperti pada slip yang pertama.

b. Bila transaksi bisnis dilakukan di internet, maka bila dipenjual tidak jujur, ia akan menerima pembayaran dari bank yang bersangkutan, tetapi ia tidak

mengirimkan barang yang dipesan.

c. Apabila butuh uang atau ingin belanja lebih banyak kemampuan, tetap bisa memakai kartu tersebut, namun yang sering dilupakan oleh konsumen adalah

persentasi bunga kredit konsumsi yang sangat tinggi.

d. Jenis kartu kredit yang menggunakan band magnetik tidak terlalu baik keamanannya. Sayangnya di Indonesia kartu jenis ini masih banyak di produksi, jadi akan lebih baik kalau dibuat pengamanan tambahan dengan micro chip seperti yang dipakai di Eropa.

(46)

2.2 Pengertian Peramalan

Peramalan (forecasting) adalah kegiatan untuk memperkirakan apa yang akan terjadi di masa yang akan datang. Sedangkan ramalan adalah situasi atau kondisi yang diperkirakan akan terjadi pada masa yang akan datang. Ramalan tersebut dapat didasarkan atas bermacam-macam cara, diantaranya adalah metode pemulusan eksponensial atau rata-rata bergerak dan metode box -jenkins.

Metode peramalan merupakan cara untuk memperkirakan secara kuantitatif apa yang akan terjadi pada masa yang akan datang dengan dasar data yang relevan pada masa lalu. Dengan kata lain metode peramalan yang bersifat objektif. Oleh karena itu, metode peramalan termasuk dalam kegiatan kuantitatif. Keberhasilan dari suatu peramalan sangat ditentukan oleh pengetahuan teknik tentang informasi lalu yang dibutuhkan yaitu informasi yang bersifat kuantitatif serta teknik dan metode paramalannya.

Baik tidaknya suatu peramalan yang disusun, disamping ditentukan oleh metode yang dipergunakan juga ditentukan oleh baik tidaknya informasi maupun data yang digunakan. Selama data maupun informasi yang digunakan tidak dapat meyakinkan, maka hasil peramalan yang disusun juga akan sukar dipercaya akan ketepatannya.

Dalam melakukan analisa ekonomi atau analisa kegiatan perusahaan, haruslah di perkirakan apa yang terjadi dalam bidang ekonomi atau di dalam dunia usaha pada masa yang akan datang. Kegiatan memperkirakan apa yang akan terjadi pada masa yang akan datang, dikenal dengan sebutan peramalan.

(47)

2.3.Prosedur Peramalan Permintaan

Kualitas atau mutu dari hasil peramalan yang disusun, sangat ditentukan oleh proses pelaksanaan penyusunnya. Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik. Pada dasarnya ada tiga langkah peramalan yang penting yaitu :

1. Menganalisa data yang lalu. Tahap ini berguna untuk pola yang terjadi pada masa yang lalu. Analisa ini dilakukan dengan cara membuat tabulasi data maka dapat diketahui pola data tersebut.

2. Menentukan metode yang digunakan. Masing-masing metode akan memberikan hasil peramalan yang berbeda. Dimana metode peramalan yang baik adalah metode yang menghasilkan penyimpangan antara hasil peramalan dengan nilai kenyataan yang sekecil mungkin.

3. Memproyeksikan data yang lalu dengan menggunakan metode yang dipergunakan, dan mempertimbangkan adanya beberapa faktor perubahan. Faktor-faktor perubahan tersebut antara lain terdiri dari perubahan kebijakan-kebijakan yang mungkin terjadi, termasuk kebijakan pemerintah. Proyeksi adalah adanya suatu kecendrungan sesuatu hal pada masa yang akan datang yang masih belum diketahui dan mempunyai nilai

pada masa yang akan datang yang merupakan petunjuk tentang jumlah sesuatu hal tersebut di masa yang akan datang.

2.4 Jenis – Jenis Peramalan

(48)

1. Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan jangka waktunya lebih dari satu setengah tahun atau tiga semester. Peramalan jangka panjang digunakan untuk pengambilan keputusan mengenai perencanaan produk dan perencanaan pasar, pengeluaran biaya perusahaan, studi kelayakan pabrik, anggaran, purchase order, perencanaan tenaga kerja serta perencanaan kapasitas kerja

2. Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan hasil ramalan dalam jangka waktu yang kurang dari satu setengah tahun atau tiga semester. Peramalan seperti ini diperlukan dalam penyusunan rencana tahunan, rencana kerja operasional, dan anggaran contoh penyusunan rencana produksi, rencana penjualan, rencana persediaan, anggaran produksi, dan anggaran perusahaan Berdasarkan dari sifat penyusunnya, maka peramalan dapat dibedakan atas dua macam, yaitu :

1. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau intuasi dari orang yang menyusunnya. Dalam hal ini pandangan atau judgement dari orang yang menyusunnya sangat menetukan baik tidaknya hasil ramalan tersebut. 2. Peramalan yang objektif, peramalan yang didasarkan atas data yang relevan pada

masa lalu, dengan menggunakan teknik-teknik dan metode dalam penganalisaan data

tersebut.

Berdasarkan beberapa teknik yang telah dikembangkan dalam peramalan dibedakan atas dua yaitu:

(49)

2. Peramalan kuantitatif, yaitu peramalan didasarkan atas data kuantitatif pada masa lalu. Hasil peramalan dibuat sangat bergantung pada metode yang digunakan dalam peramalan tersebut. Dengan peramalan yang berbeda akan diperoleh hasil peramalan yang berbeda. Adapun yang perlu diperhatikan dari penggunaan metode-metode tersebut, adalah baik tidaknya metode yang dipergunakan, sangat ditentukan oleh perbedaan atau penyimpangan antara hasil peramalan dengan kenyataan yang terjadi. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin terjadi. Peramalan kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut :

a. Adanya informasi tentang keadaan yang lain.

b. Informasi tersebut dapat dikuantifikasikan dalam bentuk data.

c. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.

2.5 Metode Peramalan

Pada dasarnya peramlan kuantitatif dapat dibedakan atas:

1. Metode Sebab Akibat ( Causal Methods )

Merupakan metode peramalan yang didasarkan atas penggunaan analisa pola hubungan antara variabel yang diperkirakan dengan variabel yang mempengaruhinya tetapi bukan waktu . Metode sebab akibat ini terdiri dari:

a. Metode regresi dan korelasi, merupakan metode yang digunakan baik untuk jangka panjang maupun pendek dan didasarkan pada persamaan dengan teknik least squares yang dianalisi secara statis.

b. Metode input output, merupakan metode yang digunakan untuk jangka panjang yang biasa digunakan untuk menyusun trend ekonomi jangka panjang.

(50)

2. Analisis Deret Waktu (Time Series)

Merupakan metode peramaln yang didasarkan pada pola hubungan antara variable yang dicari (dependent) dengan variabel yang mempengaruhinya (independent) yang dikaitkan dengan waktu mingguan, bulanan, semester atau tahunan. Analisis deret waktu terdiri dari:

a. Metode Smoothing, merupakan jenis peramalan jangka pendek seperti perencanaan persediaan, perencanaan keuangan. Tujuan penggunaan metode ini adalah mengurangi ketidakteraturan data masa lampau seperti musiman.

b. Metode Box-Jenkins (Model ARIMA), merupakan metode peramalan deret waktu yang menggunakan model matematis dalam peramalan jangka pendek. c. Metode Proyeksi Trend dengan Regresi, merupakan jenis peramalan jangka

pendek maupun jangka panjang. Metode ini merupakan garis trend untuk persamaan matematis.

2.6Pemilihan teknik dan Metode Peramalan

Dalam pemilihan teknik dan metode peramalan, pertama-tama perlu diketahui ciri-ciri penting yang perlu diperhatikan bagi pengambil keputusan dan analisa keadaan dalam

mempersiapkan peramalan .

Ada enam faktor utama yang diidentifikasi sebagai teknik dan metode

paramalan, yaitu :

1. Horizon Waktu

Ada dua aspek dari horizon waktu yang berhubungan dengan masing-masing metode peramalan. Pertama adalah cakupan waktu di masa yang akan datang. Aspek kedua adalah periode untuk peramalan yang diinginkan.

(51)

Dasar utama dari metode peramalan adalah anggapan bahwa macam dari pola yang didapati di dalam data yang diramalkan akan berkelanjutan.

3. Jenis dan Model

Model-model merupakan suatu deret dimana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan-perubahan dalam pola. Model-model perlu diperhatikan karena masing-masing model mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan.

4. Biaya yang dibutuhkan

Umumnya ada empat unsur biaya yang tercakup dalam penggunaan suatu prosedur peramalan yaitu: biaya-biaya pengembangan, penyimpanan (storage) data, operasi pelaksanaan, kesempatan dalam penggunaan teknik-teknik dan metode peramalan.

5. Ketepatan Metode Peramalan

Tingkat ketepatan yang dibutuhkan sangat erat kaitannya dengan tingkat perincian yang dibutukan dalam suatu peramalan.

6. Kemudahan dalam Penerapan

Metode-metode yang dapat dimengerti dan mudah diaplikasikan sudah merupakan suatu prinsip umum bagi pengambil keputusan.

2.7Pola data

(52)

2.7.1 Pola Horizontal (Stasioner)

Pola horizontal terjadi bilaman nilai data berfluktuasi disekitar nilai rata-rata yang konstan (deret seperti ini adalah stasioner terhadap nilai rata-ratanya). Untuk pola data horizontal ditunjukkan pada gambar dibawah ini.

Y

Waktu

Gambar 2.1 Pola data Horizontal

2.7.2 Pola Musiman (S)

Pola musiman terjadi bila data yang kelihatanya berfluktuasi, namun fluktuasi tersebut terlihat berulang dalam satu interval waktu tertentu. Disebut pola musiman karena

permintaan ini biasanya dipengaruhi oleh musim sehingga biasanya interval perulangan data ini adalah satu tahun. Sebagai contoh, penjualan paying dan jas hujan dimusim hujan lebih besar daripada di musim kemarau. Metode peramalan yang sesuai dengan

(53)

Y

Waktu

Gambar 2.2 Pola Data Musiman

2.7.3 Pola Siklis (C)

Pola siklis adalah bila fluktuasi permintaan secara jangka panjang membentuk pola sinusoid atau gelombang atau siklus. Pola musiman rentang waktu satu tahun dapat dijadikan pedoman, maka rentang waktu perulangan siklik tidak tentu. Metode yang sesuai dengan pola silis adalah metode moving average, model ARIMA, metode autoregressive, dan metode smoothing eksponensial. Untuk pola data siklis dapat

ditunjukkan pada gambar dibawah ini.

Y

Waktu

(54)

2.7.4 Pola Trend (T)

Pola trend adalah bila data permintaan menunjukkan pola kecenderungan gerakkan penurunan atau kenaikkan jangka panjang. Data yang kelihatannya berfluktuasi, apabila dilihat pada rentang waktu yang panjang akan ditarik garis maya. Garis maya itulah yang disebut garis trend. Bila data berpola trend, maka metode peramalan yang sesuai adalah metode regresi linier, exponenential smoothing, atau double exponential smoothing. Untuk pola data trend dapat ditunjukkan pada gambar dibawah ini.

Y

Waktu

Gambar 2.4 Pola Data Trend

2.8. Metode Pemulusan

Metode smoothing adalah metode peramalan dengan mengadakan penghalusan atau

pemulusan terhadap data masa lalu yaitu dengan mengambil rata-rata dari nilai beberapa tahun untuk menaksir nilai pada tahun yang akan datang.

Secara umum metode smoothing di klasifikasikan menjadi 2 (dua) bagian, yaitu:

1. Metode Rata-Rata

(55)

b. Rata-Rata Bergerak Tunggal (Single Moving Average) c. Rata-Rata Bergerak Ganda (Double Moving Average) d. Kombinasi rata-rata bergerak lainnya

Metode rata-rata tujuannya adalah memanfaatkan data masa lalu untuk mengembangkan suatu sistem peramalan pada periode mendatang.

2. Metode Smoothing Eksponensial

Bentuk umum dari metode smoothing eksponensial adalah:

………..………..(2.1)

Keterangan

Peramalan satu periode ke depan.

Data aktual pada periode ke t.

Peramalan pada periode ke t.

Parameter smoothing.

Bila bentuk umum tersebut diperluas maka akan berubah menjadi:

…………..…….. (2.2)

(56)

a. Smoothing Eksponensial Tunggal a.1. Satu Parameter (One Parameter) a.2. Pendekatan Aditif (ARRES)

Digunakan untuk data yang bersifat stationer dan tidak menunjukkan pola atau trend.

b. Smoothing Eksponensial Ganda

b.1. Metode Linier Satu Parameter dari Brown b.2. Metode Dua Parameter dari Holt

c. Smoothing Eksponensial Triple

c.1. Metode Kuadratik Satu Parameter dari Brown

Digunakan untuk pola kuadratik, kubik, atau orde yang lebih tinggi. c.2. Metode Kecenderungan dan Musim Tiga Parameter dari Winter

Dapat digunakan untuk data berbentuk trend dan musiman c.3. Smoothing Eksponensial Menurut Klasifikasi Peges

2.9. Metode Smoothing yang Digunakan

Untuk mendapatkan hasil yang baik harus diketahui cara yang tepat. Data jumlah pelanggan kartu kredit menunjukkan pola data trend linier yang dapat dilihat dari grafik realisasi yang menunjukkan pola data trend linier. Dalam urusan bisnis dan ekonomi sering sekali diperlukan data untuk mengikuti rata-rata persentase tingkat perubahan sepanjang waktu, misalnya rata-rata persentase jumlah kredit menurut besar arus yang menabung selama beberapa tahun mendatang.

Berapa banyaknya jumlah pelanggan kartu kredit yang akan didapat Bank

(57)

Maka metode peramalan analisa deret waktu (time series) yang akan digunakan untuk meramalkan jumlah pelanggan kartu kredit, pada pemecahan masalah ini adalah dengan menggunakan metode pemulusan eksponensial ganda yaitu ”smoothing eksponensial satu parameter dari Brown. Metode pemulusan eksponensial ganda (metode linier satu parameter dari Brown) merupakan kelompok metode yang menunjukkan pembobotan menurun secara eksponensial terhadap nilai pengamatan yang lebih tua disebut prosedur pemulusan eksponensial. Seperti halnya dengan rata-rata bergerak, metode eksponensial terdiri atas tunggal, ganda dan metode yang lebih rumit. Semua mempunyai sifat yang sama, yaitu nilai yang lebih baru deberikan bobot yang relatif besar dibanding nilai pengamatan yang lebih lama.

Dalam kasus rata-rata bergerak, bobot yang dikenakan pada nilai-nilai pengamatan merupakan hasil sampingan dari sistem moving avarage tertentu yang diambil. Tetapi dalam pemulusan eksponensial, terdapat satu atau lebih parameter pemulusan yang ditentukan secara eksplisit, dan hasil pilihan ini menentukan bobot yang dikenakan pada nilai observasi.

Dengan cara analogi yang dipakai pada waktu berangkat dari rata-rata bergerak

tunggal ke pumulusan eksponensial tunggal juga dapat berangkat dari rata-rata bergerak ganda ke pemulusan ganda. Perpindahan seperti ini mungkin menarik karena salah satu keterbatasan dari rata-rata bergerak linier, kecuali bahwa jumlah nilai data yang

diperlukan sekarang adalah 2N-1. Pemulusan eksponensial linier dapat dihitung hanya dengan tiga nilai data dan satu nilai untuk α. Pendekatan ini juga memberikan bobot yang semakin menurun pada observasi masa lalu. Dengan alasan ini pemulusan eksponensial linier lebih disukai daripada rata-rata bergerak linier sebagai suatu metode peramalan dalam berbagai kasus utama.

(58)

tunggal dan disesuaikan untuk trend. Persamaan yang dipakai dalam implementasi pemulusan eksponensial linier satu parameter dari Brown sebagai berikut:

………(2.3)

Keakuratan keseluruhan dari setiap model peramalan baik itu rata-rata bergerak, pemulusan eksponensial atau lainnya dapat dijelaskan dengan membandingkan nilai yang diproyeksikan dengan nilai aktual atau nilai yang diamati. Untuk tingkat akurasi peramalan dapat diukur dari nilai berikut :

a. MSE (Mean Square Error) / Nilai Tengah Kesalahan Kuadrat



(59)



d. MPE (Mean Percentage Error) / Nilai Tengah Kesalahan Persentase



e. SSE (Sum Square Error) / Jumlah Kuadrat Kesalahan

(60)

BAB 1

PENDAHULUAN

1.1Latar Belakang

Di Era globalisasi, banyak sekali kartu kredit yang dikeluarkan oleh bank sebagai salah satu alternatif pengganti transaksi dengan uang tunai. Sesuai dengan perkembangan zaman, pola prilaku masyarakat dalam membelanjakan dananya yang kini juga mulai terasa tergeser dari pola yang bersifat ‘konvensional’ ke dalam pola komsumsi modern artinya, masyarakat kini mulai berbelanja yang efisien dan tidak banyak membutuhkan kertas kerja. Dengan adanya kartu kredit memungkinkan masyarakat khususnya mereka yang mempunyai mobilitasnya tinggi untuk berbelanja dimanapun tanpa harus direpotkan dengan membawa sejumlah uang kartal.

Kemudahan-kemudahan menggunakan kartu kredit, salah satunya adalah tidak perlu lagi susah dalam membawa setumpuk uang tunai, ataupun disibukkan dengan uang kembalian. Cukup menyerahkan selembar kartu saja pada kasir dan semuanya menjadi

mudah. Kartu kredit sebagai alat pembayaran tidak tunai memang bukan lagi sesuatu yang baru. Bagi masyarakat umum pada saat ini, terutama kelas ekonomi menengah keatas. Mulai dari tempat pembelanjaan terkemuka, supermarket, restaurant, minimart, café, hotel, rumah sakit hingga jasa pelayannan umum lainnya sudah terbiasa menerima kartu kredit sebagai alat pembayaran.

(61)

melakukan penarikkan tunai. Begitu banyak manfaat yang diperoleh dengan menggunakan kartu kredit dari pada menggunakan uang tunai antara lain yaitu mengumpulkan semua bentuk pengeluaran belanja dalam satu tagihan sehingga waktu yang dikeluarkan dapat lebih efisien. Bahkan ada juga kartu kredit yang memiliki fasilitas untuk membayar pengeluaran rutin, seperti tagihan telepon, tagihan listrik, dan tagihan air. Kartu kredit juga dapat digunakan untuk mencatat pengeluaran secara rutin sehingga mempermudah dalam mengelola keuangan dalam keluarga.

Untuk mendapatkan kartu kredit saat ini cukup mudah. Saat ini banyak sekali sales person kartu kredit dari berbagai bank bergerilya di mal-mal untuk mencari pelanggan

baru. Kartu kredit apabila digunakan dengan tepat akan sangat membantu tapi jika digunakan secara sembarangan tentunya akan membuat kesulitan dalam tagihan yang makin hari meningkat jumlahnya. Dalam penggunaan kartu kredit di Indonesia mulai marak setelah diregulasi perbankan dengan diterbitkannya surat keputusan menteri keuangan no.1251/KMK.013/1988 tanggal 20 Desember 1988, dimana bisnis kartu kredit di golongkan sebagai kelompok usaha jasa pembiayaan.

Setiap bank menyalurkan kartu kredit kepada pada masyarakat dengan bertujuan untuk memperoleh keuntungan yang diberikan dalam bentuk bunga. Dengan adanya bunga yang diterima oleh bank, maka bank juga dapat menjalankan kehidupan bank itu

sendiri dengan keuntungan yang diperoleh. Jadi, semakin banyak kartu kredit yang disalurkan kepada masyarakat, maka semakin banyak pula keuntungan yang diterima oleh bank.

(62)

mengkaji situasi dan kondisi tersebut tidak terlepas dari kegiatan peramalan. Bertitik tolak pada alasan-alasan tersebut maka penulis memilih judul “PERAMALAN JUMLAH PELANGGAN KARTU KREDIT DI PT.BANK PERMATA DENGAN MENGGUNAKAN METODE SMOOTHING EKSPONENSIAL LINIER SATU

PARAMETER DARI BROWN”.

1.2Perumusan Masalah

Adapun yang menjadi masalah dalam penelitian ini adalah :

1. Seberapa besar permintaan kartu kredit pada PT. Bank Permata Cabang Medan dimulai dari Mei 2013.

2. Pengkajian masalah jumlah permintaan kartu kredit pada PT. Bank Permata Cabang Medan dengan menggunakan metode smoothing eksponensial linier satu parameter dari Brown.

1.3Pembatasan Masalah

Agar pembahasan permasalahan tidak menyimpang dari pokok permasalahan, maka diperlukan pembatasan masalah yaitu:

1. Peramalan dilakukan secara kuantitatif.

2. Metode peramalan yang akan digunakan adalah metode smoothing eksponensial linier satu parameter dari Brown.