TIM PROSIDING. Penanggung Jawab Prosiding: Dr. Komang Dharmawan. Editor:

(1)

(2)

Seminar Nasional Matematika 2014, Universitas Udayana ISSN: 2406-9868

Denpasar - Bali , 6 November 2014 | i

TIM PROSIDING

Penanggung Jawab Prosiding:

Dr. Komang Dharmawan

Editor:

Ir. I Putu E.N. Kencana, MT., Drs. GK. Gandhiadi, MT., Ir. Komang Gde Sukarsa, M.Si.

Drs. Ketut Jayanegara, M.Si., Drs. I Nyoman Widana, M.Si.

Tim Teknis:

I Gusti Ayu Made Srinadi, S.Si., M.Si., Dra. Luh Putu Suciptawati, M.Si., Desak Putu Eka Nilakusmawati, S.Si., M.Si., Made Susilawati, S.Si., M.Si.,

Ni Ketut Tari Tastrawati, S.Si., M.Si., Kartika Sari, S.Si., M.Sc., Luh Putu Ida Harini, S.Si., M.Sc., Ni Made Asih, S.Pd. M.Si,

I Wayan Sumarjaya, S.Si., M.Stats.

Layout & Cover:

Desak Putu Eka Nilakusmawati, S.Si., M.Si

(3)

ii | Denpasar - Bali , 6 November 2014

TIM REVIEWER

No. Nama Instansi

1 Prof. Dr. Leo H. Wiryanto ITB

2 Prof. Dr. Nyoman Budiantara ITS

3 Prof. Dr. Sariasa UNDIKSHA

4 Prof. Dr. Marjono, M.Phil. UNBRAW

4 Dr. Komang Dharmawan UNUD

5 Dr. Tjokorda Bagus Oka UNUD

6 Ir. I Putu Eka N. Kencana, MT. UNUD

(4)

Denpasar - Bali , 6 November 2014 | iii

STEERING COMMITTEE

Prof. Dr. Leo H. Wiryanto Prof. Dr. Nyoman Budiantara Prof. Dr. Sariasa

Prof. Dr. Marjono, M.Phil.

(5)

Denpasar - Bali, 6 November 2014 | 141

APLIKASI MODEL RANTAI MARKOV UNTUK MERAMALKAN PDRB PROVINSI BALI

I Putu Eka N. Kencana

^§1

, I Made Arya Antara

²

1

Jurusan Matematika Universitas Udayana, E-mail: [email protected]

2

Jurusan Matematika Universitas Udayana, E-mail: [email protected]

§Corresponding Author

Abstract

This essay aimed to study the application of Markov chain model for prediction of Gross of 1992 to fourth quarter of 2013 were used to model and predict the next two quartely

Bali Province. Combining fuzzy time series methodology and Markov chain model, the Average Forecasting Error Rate (AFER) for in-sample forecasting as much as 2.78 percent. For out-of-sample, we got AFER as much as 0,83 percent. This value is suitable and has enough accuracy in GDRP modeling and forecasting.

Keywords : AFER, Bali, fuzzy set, GDRP, Markov chain model

1.

Pendahuluan

Produk Domestik Regional Bruto (PDRB) merupakan salah satu indikator makroekonomi dari perkembangan perekonomian di suatu wilayah. Badan Pusat Statistik (BPS) mendefinisikan PDRB sebagai jumlah nilai tambah barang dan jasa yang dihasilkan oleh seluruh unit usaha di suatu daerah dan digunakan sebagai salah satu indikator penting dalam mengetahui kondisi ekonomi daerah tersebut [1].

Sebagai salah satu indikator makroekonomi, perkembangan PDRB dalam sebuah kurun waktu menjadi acuan dalam menentukan kebijakan publik yang dirancang pemerintah daerah. Komparasi PDRB dengan nilai yang diproyeksikan merupakan salah satu indikator keberhasilan pemerintah daerah dalam melaksanakan program-program pembangunan di wilayahnya. Jadi, ketepatan dalam melakukan proyeksi PDRB bersifat mutlak agar program-program yang akan dilaksanakan bersifat realistis.

Sebagai sebuah data runtun waktu, peramalan PDRB dapat dilakukan dengan menggunakan berbagai metode ekonometrika yang tersedia. Meski demikian, metode pendugaan alternatif pun telah cukup banyak dicoba. Wanayasa et al. [2] yang meramalkan PDRB Provinsi Bali dengan menggunakan Fuzzy Time Series (FTS) memperoleh nilai galat peramalan yang cukup kecil yaitu 1,64 persen.

Penelitian ini ditujukan untuk meramalkan secara out-of-sample PDRB Provinsi Bali pada triwulan I dan II tahun 2014 dengan menggunakan data triwulan PDRB Bali atas dasar harga konstan (adhk) tahun 2000 pada tahun 1992 2013. Metode peramalan yang diaplikasikan adalah kombinasi FTS dengan model rantai Markov. FTS diaplikasikan saat akan dibentuk data runtun waktu fuzzy dari data real yang dimiliki.

Fuzzifikasi data dilakukan dengan mengadopsi metode yang diintroduksi oleh Stevenson

& Porter [3]. Selanjutnya, model peluang transisi Markov diaplikasikan saat dilakukan

tahapan peramalan, baik peramalan bersifat in-sample maupun out-of-sample. Akurasi

(6)

I Putu Eka N. Kencana, I M. Arya Antara

142 | Denpasar - Bali, 6 November 2014

peramalan dikalkulasi melalui penghitungan Average Forecasting Error Rate (AFER) pada kedua jenis peramalan.

2. Metode Penelitian

Peramalan out-of-sample dua triwulan pertama PDRB Provinsi Bali dilakukan melalui pengombinasian FTS dengan model rantai Markov menggunakan data triwulan PDRB pada periode 1992 2013 yang diperoleh dari [1], mengikuti tahapan-tahapan berikut:

a. Menghitung laju perubahan PDRB pada dua triwulan yang berturutan. Laju perubahan dari PDRB digunakan sebagai data dasar pada proses pembentukan himpunan fuzzy mengingat indikator-indikator makroekonomi lebih mudah diinterpretasikan bila dinyatakan pada ukuran laju (rate) perubahannya. Selain itu, akurasi peramalan yang diperoleh cenderung lebih tinggi dibandingkan menggunakan data asli [3]. Laju PDRB dihitung menggunakan persamaan berikut:

(1)

b. Mendefinisikan himpunan semesta yang beranggotakan seluruh ;

c. Mempartisi menjadi n buah sub-interval, dengan n ditentukan menggunakan persamaan Sturges [4] sebagai berikut:

(2)

Pada pers. (2) N menyatakan banyaknya yang dihitung dari pers. (1);

d. Menentukan distribusi frekuensi dari n sub-interval yang terbentuk. Sub-interval yang kepadatannya nol, digabungkan dengan sub-interval sebelumnya yang memiliki anggota . Tiga sub-interval yang kepadatannya tertinggi selanjutnya dipartisi masing-masing menjadi 4, 3, dan 2 sub-interval dengan lebar interval sama.

Pemartisian interval mengikuti aturan ini ditujukan agar distribusi frekuensi mendekati sebaran normal;

e. Setelah f interval akhir terbentuk, maka tersusun himpunan semesta fuzzy = {F

1

,

f

} dengan masing-masing interval memiliki nilai fuzzy f

1

, , f

f

yang dihitung sama dengan nilai tengah dari masing-masing F

i

yang bersesuaian;

f. Melakukan fuzzifikasi setiap ;

g. Membangun Fuzzy Logical Relationship Group (FLRG), suatu himpunan yang memetakan interval fuzzy sebagai suatu variabel linguistik ke variabel linguistik lainnya. Variabel linguistik asal disebut left-hand side (LHS), dan variabel linguistik tujuan disebut right-hand side (RHS);

h. Membangun matriks peluang transisi (transition probability matrix/TPM) berukuran f x f dengan unsur pada baris ke-i dan kolom ke-j dihitung melalui persamaan berikut [5]:

(3) i. Menghitung nilai dugaan dari menggunakan persamaan (4):

(4) j. Menghitung nilai dugaan PDRB menggunakan pers. (1) dan AFER dengan pers. (5):

(5)

(7)

Denpasar - Bali, 6 November 2014 | 143 3. Hasil dan Pembahasan

Terdapat 88 amatan pada data triwulan PDRB Bali periode Januari 1992 Desember 2013. Menggunakan seluruh data, diperoleh 87 nilai dengan nilai-nilai minimum dan maksimum masing-masing sebesar -9,48 persen dan 34,59 persen. Agar terdapat ruang bagi nilai-nilai ramalan, maka nilai minimum ditetapkan sebesar -10,00 persen dan nilai maksimum 35,00 persen. Selanjutnya himpunan semesta

dipartisi menjadi 8 sub-interval. Jumlah sub-interval diperoleh dengan mengaplikasikan pers. (2). Agar distribusi mendekati sebaran normal, maka mengikuti langkah (d) pada bagian metodelogi, seluruh sub-interval direpartisi sehingga diperoleh 13 sub-interval akhir sebagai representasi 13 variabel linguistik fuzzy. Tabel 1 dan Tabel 2 masing-masing menunjukkan sub-interval yang terbentuk di awal dan setelah direpartisi sebagai variabel-variabel linguistik:

Tabel 1. Sub-Interval Awal dan Kepadatannya

Sub-Interval Batas Kiri Batas Kanan Frekuensi Data

U1 -10,00% -4,38% 1

U2 -4,38% 1,25% 20

U3 1,25% 6,88% 57

U4 6,88% 12,50% 6

U5 12,50% 18,13% 1

U6 18,13% 23,75% 0

U7 23,75% 29,38% 1

U8 29,38% 35,00% 1

Sumber: Analisis Data (2014)

Tabel 2. Variabel Linguistik Fuzzy

Variabel Linguistik Minimum Nilai Tengah Maksimum

F1 -10.00% -7.19% -4.38% f1

F2 -4.38% -3.44% -2.50% f2

F3 -2.50% -1.56% -0.63% f3

F4 -0.63% 0.31% 1.25% f4

F5 1.25% 1.95% 2.66% f5

F6 2.66% 3.36% 4.06% f6

F7 4.06% 4.77% 5.47% f7

F8 5.47% 6.17% 6.88% f8

F9 6.88% 8.28% 9.69% f9

F10 9.69% 11.09% 12.50% f10

F11 12.50% 18.13% 23.75% f11

F12 23.75% 26.56% 29.38% f12

F13 29.38% 32.19% 35.00% f13

Sumber: Analisis Data (2014)

Tahapan peramalan menggunakan rantai Markov membutuhkan adanya state awal

dan state akhir dari sebuah kejadian. Pada kasus yang diteliti, state awal dan state akhir

masing-masing merupakan LHS dan RHS dari FLRG yang terbentuk. Merujuk kepada

FLRG (lampiran 1), maka diagram transisi Markov (lampiran 2) serta matriks peluang

(8)

transisi (TPM) bisa ditentukan seperti berikut:

Proses peramalan laju PDRB dilakukan dengan mencermati nilai LHS pada masing-masing laju yang diramalkan. Sebagai contoh, laju PDRB pada triwulan I tahun 2005 sebesar 3,09 persen ada pada variabel linguistik F

6

yang menjadi LHS pada FLRG.

Pemeriksaan pada TPM menunjukkan terdapat 4 state akhir (RHS) dari F

6

, yaitu F

4

, F

5

, F

6

, dan F

11

; masing-masing dengan peluang transisi sebesar ; . Keempat nilai ini membentuk sebuah vektor baris yang akan digandakan dengan vektor kolom yang tersusun dari setiap nilai tengah variabel linguistik yang merupakan RHS dari F

6

. Hasil perkalian kedua vektor ini merupakan nilai dugaan laju PDRB pada triwulan I

tahun 2005, yaitu ;

.

Laju dugaan yang diperoleh selanjutnya digunakan untuk menghitung nilai PDRB dugaan dengan menggunakan pers. (1). Pada contoh ini diperoleh nilai dugaan PDRB pada triwulan I tahun 2005 sebesar 5 453 820 juta rupiah. Bila nilai dugaan ini dibandingkan dengan nilai sesungguhnya maka diperoleh persentase galat ramalan sebesar 3,10 persen. Amatan-amatan lainnya diramalkan dengan cara sama. Seluruh nilai ramalan in-sample ini memiliki nilai AFER sebesar 2,74 persen; sebuah proses peramalan dengan tingkat akurasi sebesar 97,26 persen.

Memperhatikan keakuratan ramalan dengan mengkombinasikan FTS dan model rantai Markov baik, maka peramalan out-sample dari data dua triwulan pertama tahun 2014 dilakukan sebagai berikut:

A. Meramalkan PDRB Triwulan I Tahun 2014

a. LHS dari amatan pada triwulan I tahun 2014 adalah laju perubahan PDRB riil triwulan IV tahun 2013 sebesar 1,13 persen. Memperhatikan klasifikasi fuzzy pada Tabel 2, laju perubahan ini tergolong ke dalam variabel linguistik F

4

; b. Peramalan laju perubahan PDRB triwulan I tahun 2014 selanjutnya dilakukan

dengan memperhatikan peluang transisi Markov pada baris dengan LHS = F

4

. Terdapat empat kemungkinan transisi state dari F

4

sebagai LHS, yaitu:

FLRG:

c. Masing-masing elemen FLRG yang diperoleh memiliki nilai peluang transisi sebesar

₁₁¹

,

₁₁⁴

,

₁₁⁴

, dan

₁₁²

. Melalui operasi perkalian vektor ini dengan vektor kolom dari nilai-nilai linguistiknya diperoleh dugaan laju perubahan PDRB pada triwulan I 2014 sebesar:

TPM =

F1 F2 F3 F4 F5 F6 F8 F9 F10 F11 F12 F13

F1 1

F2 1

6 1

2 1

6

F3 1

2 1

2

F4 1

11 4

11 2

11

F5 1

12 1

36 1

6 1

9 5

12 1

9 1

36 1

36

F6 1

19 15

19 2

19 1

19

F8 1

2 1

2

F9 1

F10 1 1

F11 1

F12 1

F13 1

÷

÷÷

÷

÷÷

(9)

Denpasar - Bali, 6 November 2014 | 145

d. Menggunakan nilai dugaan yang diperoleh, selanjutnya nilai PDRB Bali pada triwulan I 2014 diduga menggunakan pers. (1) dan diperoleh nilai sebesar 9 020 097 juta rupiah. Mencermati nilai PDRB riil pada periode yang sama sebesar 8 890 000 juta rupiah maka persentase galat peramalan pada periode ini sebesar 1,46 persen.

B. Meramalkan PDRB Triwulan II Tahun 2014

a. LHS dari amatan pada triwulan II tahun 2014 adalah dugaan laju perubahan PDRB dari triwulan I tahun 2014 sebesar 1,12 persen. Memperhatikan klasifikasi fuzzy pada Tabel 2, laju perubahan ini juga tergolong ke dalam variabel linguistik F

4

;

b. Mengikuti tiga tahap terakhir pada langkah meramalkan PDRB triwulan I 2014, maka diperoleh nilai ramalan PDRB Bali pada periode ini sebesar 9 121 316 juta rupiah, dan nilai PDRB riil sebesar 9 140 000 juta rupiah dengan persentase galat sebesar 0,20 persen.

4. Simpulan dan Rekomendasi

A. Simpulan

Mencermati hasil dari kedua peramalan out-of-sample PDRB Provinsi Bali pada triwulan I dan II tahun 2014, masing-masing dengan persentase galat peramalan sebesar 1,46 persen dan 0,20 persen maka dapat dihitung nilai AFER sebesar 0,83 persen. Bila AFER out-of-sample dibandingkan dengan AFER in-sample maka terlihat peramalan yang dilakukan secara out-of sample memberikan hasil yang lebih baik.

Tingkat keakurasian peramalan out-of-sample yang diperoleh melalui kombinasi metode FTS dengan model rantai Markov lebih baik bila dibandingkan dengan keakurasian peramalan yang dilakukan hanya dengan menggunakan FTS pada kasus peramalan PDRB Provinsi Bali.

B. Rekomendasi

Penelitian ini terbatas hanya mengaplikasikan metode FTS dan model rantai Markov pada kasus data PDRB Provinsi Bali. Disarankan untuk menguji coba teknik- teknik peramalan lain yang tergolong ke dalam kelompok soft modeling, misalnya, Algoritma Genetika atau Jaringan Syaraf Tiruan, pada kasus data yang sama dan data yang berbeda.

Rekomendasi kedua ditujukan untuk menyempurnakan kinerja metode-metode

peramalan yang digunakan sehingga ramalan secara out-of-sample bisa dilakukan pada

jumlah ramalan yang lebih banyak. Hal ini beranjak dari galat ramalan yang bersifat

ekstrapolasi cendrung meningkat saat periode yang diramalkan semakin menjauh dari

matriks data yang digunakan untuk membangun model.

(10)

Daftar Pustaka

[1] BPS Provinsi Bali, 2013. Produk Domestik Regional Bruto (PDRB) Provinsi Bali 2008 2012. Denpasar: Badan Pusat Statistik Provinsi Bali.

[2] Wanayasa, IGN. Arya., Kencana, I Putu EN. & Nilakusmawati, D.P.E., Peramalan Produk Domestik Regional Bruto (PDRB) Provinsi Bali dengan Menggunakan Metode

E-Jurnal UNUD, 1(1), pp.12-19, 2012

[3] Meredith Stevenson and John E. Porter, "Fuzzy Time Series Forecasting Using Per- centage Change as the Universe of Discourse," World Academy of Science, Engineering and Technology, vol. 55, pp. 154-157, 2009.

[4] Sturges H.A., The Choice of a Class Interval Journal of the American Statistical Association, vol. 21, pp. 65-66, 1926

[5] R. C. Tsaur, A Fuzzy Time Series-Markov Chain Model With An Application To

Forecast the Exchange Rate B International

Journal of Innovative Computing, Information and Control, Volume 8, pp. 4931-42,

2012.

(11)

Denpasar - Bali, 6 November 2014 | 147 Lampiran 1. Data PDRB Bali 1992 2013 adhk Tahun 2000 (Juta Rp) dan Parameter-

parameter pada Model Rantai Markov

Periode PDRB rt Model Markov

FLRG % Galat

Q1 1992 963 504

Q2 1992 979 315 1.64%

Q3 1992 1 009 142 3.05% F5 F6 4.20% 1 020 439 1.12%

Q4 1992 1 024 441 1.52% F6 F5 2.87% 1 038 064 1.33%

Q1 1993 1 378 770 34.59% F5 F13 4.20% 1 067 460 22.58%

Q2 1993 1 401 395 1.64% F13 F5 1.95% 1 405 699 0.31%

Q3 1993 1 444 078 3.05% F5 F6 4.20% 1 460 243 1.12%

Q4 1993 1 465 970 1.52% F6 F5 2.87% 1 485 465 1.33%

Q1 1994 1 572 696 7.28% F5 F9 4.20% 1 527 529 2.87%

Q2 1994 1 598 504 1.64% F9 F5 1.95% 1 603 413 0.31%

Q3 1994 1 647 190 3.05% F5 F6 4.20% 1 665 629 1.12%

Q4 1994 1 672 161 1.52% F6 F5 2.87% 1 694 398 1.33%

Q1 1995 1 795 382 7.37% F5 F9 4.20% 1 742 379 2.95%

Q2 1995 1 824 843 1.64% F9 F5 1.95% 1 830 448 0.31%

Q3 1995 1 880 423 3.05% F5 F6 4.20% 1 901 472 1.12%

Q4 1995 1 908 931 1.52% F6 F5 2.87% 1 934 315 1.33%

Q1 1996 2 089 027 9.43% F5 F9 4.20% 1 989 091 4.78%

Q2 1996 2 123 307 1.64% F9 F5 1.95% 2 129 828 0.31%

Q3 1996 2 187 977 3.05% F5 F6 4.20% 2 212 469 1.12%

Q4 1996 2 221 147 1.52% F6 F5 2.87% 2 250 683 1.33%

Q1 1997 2 398 197 7.97% F5 F9 4.20% 2 314 418 3.49%

Q2 1997 2 437 550 1.64% F9 F5 1.95% 2 445 037 0.31%

Q3 1997 2 511 791 3.05% F5 F6 4.20% 2 539 908 1.12%

Q4 1997 2 549 870 1.52% F6 F5 2.87% 2 583 778 1.33%

Q1 1998 3 277 421 28.53% F5 F12 4.20% 2 656 945 18.93%

Q2 1998 3 331 202 1.64% F12 F5 1.95% 3 341 433 0.31%

Q3 1998 3 432 661 3.05% F5 F6 4.20% 3 471 086 1.12%

Q4 1998 3 484 701 1.52% F6 F5 2.87% 3 531 039 1.33%

Q1 1999 3 520 936 1.04% F5 F4 4.20% 3 631 031 3.13%

Q2 1999 3 578 713 1.64% F4 F5 1.12% 3 560 447 0.51%

Q3 1999 3 687 711 3.05% F5 F6 4.20% 3 728 991 1.12%

Q4 1999 3 743 617 1.52% F6 F5 2.87% 3 793 399 1.33%

Q1 2000 4 184 187 11.77% F5 F10 4.20% 3 900 820 6.77%

Q2 2000 4 252 848 1.64% F10 F5 1.95% 4 265 909 0.31%

Q3 2000 4 382 378 3.05% F5 F6 4.20% 4 431 434 1.12%

Q4 2000 4 448 816 1.52% F6 F5 2.87% 4 507 975 1.33%

Q1 2001 4 332 393 -2.62% F5 F2 4.20% 4 635 632 7.00%

Q2 2001 4 403 485 1.64% F2 F5 1.17% 4 383 163 0.46%

Q3 2001 4 537 603 3.05% F5 F6 4.20% 4 588 397 1.12%

Q4 2001 4 606 394 1.52% F6 F5 2.87% 4 667 649 1.33%

Q1 2002 4 464 203 -3.09% F5 F2 4.20% 4 799 827 7.52%

Q2 2002 4 537 459 1.64% F2 F5 1.17% 4 516 518 0.46%

Q3 2002 4 675 658 3.05% F5 F6 4.20% 4 727 997 1.12%

Q4 2002 4 746 541 1.52% F6 F5 2.87% 4 809 660 1.33%

Q1 2003 4 623 407 -2.59% F5 F2 4.20% 4 945 859 6.97%

Q2 2003 4 699 274 1.64% F2 F5 1.17% 4 677 588 0.46%

Q3 2003 4 842 402 3.05% F5 F6 4.20% 4 896 607 1.12%

Q4 2003 4 915 813 1.52% F6 F5 2.87% 4 981 183 1.33%

Q1 2004 4 837 204 -1.60% F5 F3 4.20% 5 122 239 5.89%

Q2 2004 4 916 580 1.64% F3 F5 1.13% 4 892 000 0.50%

Q3 2004 5 066 326 3.05% F5 F6 4.20% 5 123 038 1.12%

Q4 2004 5 143 133 1.52% F6 F5 2.87% 5 211 525 1.33%

Q1 2005 5 301 871 3.09% F5 F6 4.20% 5 359 104 1.08%

Q2 2005 5 289 872 -0.23% F6 F4 2.87% 5 453 820 3.10%

Q3 2005 5 325 780 0.68% F4 F4 1.12% 5 349 233 0.44%

Q4 2005 5 134 990 -3.58% F4 F2 1.12% 5 385 544 4.88%

(12)

Periode PDRB rt

Model Markov

FLRG % Galat

Q1 2006 4 928 053 -4.03% F2 F2 1.17% 5 195 166 5.42%

Q2 2006 5 249 667 6.53% F2 F8 1.17% 4 985 804 5.03%

Q3 2006 5 791 603 10.32% F8 F10 1.95% 5 352 200 7.59%

Q4 2006 6 189 001 6.86% F10 F8 1.95% 5 904 720 4.59%

Q1 2007 5 960 000 -3.70% F8 F2 1.95% 6 309 880 5.87%

Q2 2007 5 850 000 -1.85% F2 F3 1.17% 6 029 844 3.07%

Q3 2007 5 850 000 0.00% F3 F4 1.13% 5 916 270 1.13%

Q4 2007 5 820 000 -0.51% F4 F4 1.12% 5 915 646 1.64%

Q1 2008 5 980 000 2.75% F4 F6 1.12% 5 885 310 1.58%

Q2 2008 6 140 000 2.68% F6 F6 2.87% 6 151 384 0.19%

Q3 2008 6 350 000 3.42% F6 F6 2.87% 6 315 970 0.54%

Q4 2008 6 430 000 1.26% F6 F5 2.87% 6 531 988 1.59%

Q1 2009 6 440 000 0.16% F5 F4 4.20% 6 700 010 4.04%

Q2 2009 6 510 000 1.09% F4 F4 1.12% 6 512 267 0.03%

Q3 2009 6 630 000 1.84% F4 F5 1.12% 6 583 053 0.71%

Q4 2009 6 660 000 0.45% F5 F4 4.20% 6 908 408 3.73%

Q1 2010 6 740 000 1.20% F4 F4 1.12% 6 734 736 0.08%

Q2 2010 6 860 000 1.78% F4 F5 1.12% 6 815 634 0.65%

Q3 2010 7 070 000 3.06% F5 F6 4.20% 7 148 066 1.10%

Q4 2010 8 230 000 16.41% F6 F11 2.87% 7 272 623 11.63%

Q1 2011 7 450 000 -9.48% F11 F1 1.95% 8 390 742 12.63%

Q2 2011 7 610 000 2.15% F1 F5 1.95% 7 595 508 0.19%

Q3 2011 7 790 000 2.37% F5 F5 4.20% 7 929 561 1.79%

Q4 2011 7 900 000 1.41% F5 F5 4.20% 8 117 119 2.75%

Q1 2012 7 900 000 0.00% F5 F4 4.20% 8 231 738 4.20%

Q2 2012 8 120 000 2.78% F4 F6 1.12% 7 988 651 1.62%

Q3 2012 8 320 000 2.46% F6 F5 2.87% 8 352 715 0.39%

Q4 2012 8 460 000 1.68% F5 F5 4.20% 8 669 375 2.47%

Q1 2013 8 430 000 -0.35% F5 F4 4.20% 8 815 254 4.57%

Q2 2013 8 610 000 2.14% F4 F5 1.12% 8 524 598 0.99%

Q3 2013 8 820 000 2.44% F5 F5 4.20% 8 971 553 1.72%

Q4 2013 8 920 000 1.13% F5 F4 4.20% 9 190 371 3.03%

AFER 2.74%

Lampiran 2. Diagram Transisi Markov