i 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 variable with the other variables then performed forecasting. Forecasting results
ii 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
iii 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.
iv 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
